4、零样本与少样本提示：Zero-shot、Few-shot、思维链(Chain-of-Thought)提示
好，咱们今天聊一个非常核心的话题——怎么让大模型在没有训练数据的情况下，也能干好活。
说白了，就是「零样本」和「少样本」提示。我刚开始接触这个领域时，总觉得这俩概念有点玄乎。后来在项目里踩了几次坑，才真正理解它们的威力。
4.1 零样本提示：让模型「无师自通」
零样本提示，英文叫 Zero-shot Prompting。意思很简单：不给任何例子，直接让模型干活。
你想想看，这其实挺反直觉的。我们平时教人做事，总得给几个示范吧？但大模型不一样，它预训练阶段已经「见过」海量数据了。你只要把任务描述清楚，它就能直接推理。
核心要点：零样本提示的成功，完全取决于任务描述的清晰度。
举个例子。我让模型做情感分类：
提示词：
请判断以下评论的情感是「正面」还是「负面」。
评论：这家餐厅的服务太差了，等了一个小时才上菜。
输出：
负面看到了吗？没有给任何示例，模型直接给出了正确答案。这就是零样本。
我个人习惯在零样本提示里加一个「角色设定」。比如：
你是一位资深的情感分析师。请判断以下评论的情感倾向。
评论：这家餐厅的服务太差了，等了一个小时才上菜。
输出：加了角色后，模型的输出质量会明显提升。我在项目中遇到过，不加角色时模型偶尔会输出「中性」，加了角色后几乎不会出现这种情况。
小技巧：零样本提示中，尽量使用「请」「输出格式为」等指令性词汇。避免模糊表达，比如「你觉得呢」这种。
4.2 少样本提示：给模型「打个样」
少样本提示，Few-shot Prompting。就是给模型提供几个输入输出的示例，让它照着这个模式来。
为什么要用少样本？因为有些任务太特殊了，模型在预训练时没见过。或者，你需要模型输出某种特定格式。
我记得有一次做数据清洗，需要把非结构化的文本转成 JSON。零样本提示下，模型输出的字段名总是对不上。后来我给了两个示例，效果立竿见影。
提示词：
请将以下文本转换为JSON格式，包含字段：姓名、年龄、职业。
示例1：
文本：张三，28岁，程序员
输出：{"姓名": "张三", "年龄": 28, "职业": "程序员"}
示例2：
文本：李四，35岁，设计师
输出：{"姓名": "李四", "年龄": 35, "职业": "设计师"}
现在请转换：
文本：王五，42岁，产品经理
输出：模型会严格按照示例的格式输出。这里有个关键点：示例的数量和质量。
| 示例数量 | 效果 | 适用场景 |
|---|---|---|
| 1-2个 | 基本可用，但格式可能不稳定 | 简单任务，格式要求不严格 |
| 3-5个 | 效果稳定，格式一致 | 大多数任务，推荐使用 |
| 6个以上 | 边际效益递减，可能增加Token消耗 | 复杂推理任务 |
避坑指南：我曾经给过8个示例，结果模型开始「学习」示例中的噪声模式，反而降低了准确率。少样本不是越多越好，3-5个通常是最优解。
4.3 思维链提示：让模型「边想边说」
思维链，Chain-of-Thought，简称 CoT。这是目前最火的提示技术之一。
它的核心思想很简单：不要只让模型输出答案，让它输出推理过程。
为什么会这样？因为大模型本质上是一个「下一个词预测器」。如果你直接问它答案，它可能跳过中间步骤，直接猜一个。但如果你让它一步步推理，它就能沿着逻辑链条走，准确率大幅提升。
看个对比：
普通提示：
问：小明有5个苹果，小红给了小明3个，小明又给了小刚2个。小明现在有几个苹果？
答：6个。
思维链提示：
问：小明有5个苹果，小红给了小明3个，小明又给了小刚2个。小明现在有几个苹果？
让我们一步步思考：
1. 小明最初有5个苹果。
2. 小红给了小明3个，所以小明现在有5+3=8个。
3. 小明给了小刚2个，所以小明现在有8-2=6个。
答：6个。看到了吗？同样的答案，但思维链提示让模型「暴露」了推理过程。这在复杂任务中尤其重要。
关键发现：思维链提示不仅提高了准确率，还让模型的错误变得「可解释」。你可以从推理过程中定位问题出在哪一步。
我在项目中用过一次思维链做数学应用题。零样本下准确率只有40%，加了「让我们一步步思考」后，准确率直接跳到75%。嗯，这个提升幅度让我印象深刻。
4.4 三种提示的实战选择
好，现在你知道了三种方法。但什么时候用哪个？我总结了一个简单的决策流程：
- 先试零样本：如果任务简单，模型能直接理解，零样本就够了。省Token，速度快。
- 零样本不行，上少样本：给2-3个示例，看看效果。如果格式或内容有偏差，调整示例。
- 需要推理，用思维链：数学、逻辑、多步推理任务，直接上CoT。别犹豫。
个人经验：我习惯在少样本提示中也加入思维链。比如，示例里不仅给输入输出，还给出推理步骤。这样模型既学到了格式，又学到了推理方式。效果往往1+1>2。
4.5 避坑与进阶技巧
最后，分享几个我踩过的坑：
- 示例不要「太完美」：我曾经给的都是完美示例，结果模型遇到一点噪声就崩了。后来我故意在示例里加了一些「不完美」的情况，模型的鲁棒性反而提升了。
- 思维链不要「太长」：CoT的推理步骤建议控制在3-5步。太长了模型容易「走神」，输出无关内容。
- 零样本的「角色」要具体：不要说「你是一个助手」，要说「你是一位资深的数据分析师，擅长处理金融数据」。越具体，模型越能进入状态。
好了，这一章的内容就到这里。零样本、少样本、思维链，这三种提示技术是每个提示工程师的「基本功」。你想想看，掌握了它们，你就能让大模型在绝大多数任务上直接干活，不需要微调，不需要标注数据。这效率，是不是很爽？
下一章，我们会聊更高级的调优策略。到时候见。