你可能已经会写一句指令让模型干活,但同一句话,有时答得挺准,有时又跑偏。这时候很多人会听到一个词:few-shot 提示。它到底是多写几个例子那么简单,还是另有讲究?这篇不绕概念,直接讲清它和 zero-shot、微调的区别,给你挑例子的标准和一段能改改就用的骨架,也说明什么情况下它反而帮倒忙。
你可能已经会写一句指令让模型干活,但同一句话,有时答得挺准,有时又跑偏。这时候很多人会听到一个词:few-shot 提示。它到底是多写几个例子那么简单,还是另有讲究?这篇不绕概念,把 few-shot 提示讲清楚,顺便把它和 zero-shot、微调、检索资料的区别摆在桌面上,再给你一套能照着改的写法和自检清单。
一句话先记住:few-shot 提示就是「在正式提问之前,先摆两三组输入与期望输出的示例,让模型照着这个模式回答」。示例是提示词的一部分,不是训练数据,改完就丢。它解决的核心问题不是模型不会,而是模型在猜你要什么格式、什么口径;例子把「猜」变成「照着抄」,格式和风格的一致性通常会明显变好。
few-shot 提示到底是什么
few-shot 和 zero-shot(只给指令不给例子)、one-shot(只给一个例子)是同一族做法,区别只在例子数量,没有本质的流派差异。真正容易混淆的是把它和微调、检索增强当成一回事:例子只影响这一次对话;微调改的是模型权重,需要另建流程;检索增强补的是外部资料,解决的是「模型不知道这件事」,不是「模型不知道你要什么格式」。
- few-shot 提示
- 在正式问题前放若干组输入—输出示例,示例属于提示词,不改变模型本身
- zero-shot / one-shot
- 同一族,只是例子数量为零或一个,看任务难度和格式要求决定
- 微调
- 改模型权重,需要训练数据和流程,适合长期固定的任务,和写提示不是一条路
- 检索增强
- 把相关资料塞进上下文,解决知识缺失,不能替代对输出格式的约束
为什么它有效,可以理解成模型在做「最近邻模仿」:上下文里出现的模式,会强烈影响它接下来的输出。你给的例子如果是规整的表格,它多半吐表格;例子字段名写得统一,它跟着统一。反过来,例子写得随意,模型就会自由发挥,你越改指令越乱。
什么时候该用、什么时候别用
适合用的场景有个共同点:输出形态是收敛的。比如输出固定字段的 JSON、固定列数的表格、统一的分类标签、统一语气的评语、需要给参照的边界判断。这些任务里,你心里其实已经有一个「正确答案长什么样」,例子就是把这个样子演示一遍。
不适合用的场景也要说清楚,免得白费功夫。开放创作类任务本来就该有多个答案,例子会把模型锁死在一个套路里,越写越像范文;还有一种更隐蔽的情况,示例里藏着你没意识到的偏见,模型会老老实实照抄,而且抄得比你还自信。遇到这两类任务,宁可写清楚评判标准和不要什么,也别急着堆例子。
- 示例不是越多越好:先试两三条,不够再加,堆到十几条会让提示变长、成本上升,还可能把模型带偏
- 如果瓶颈是模型缺领域知识,而不是缺格式约束,优先补资料,硬塞例子效果有限
- 例子要能代表你线上真实会遇到的情况,只放最漂亮最典型的几条,上线后遇到边界就崩
- 同一批例子里别混进两种风格,模型会随机挑一种,输出变得不稳定
| 判断问题 | 倾向用 few-shot | 倾向不用 few-shot |
|---|---|---|
| 输出格式是否固定 | 是,字段和顺序都要一致 | 否,本来就是自由发挥 |
| 答案是否收敛 | 大部分情况只有一个合理形态 | 同一问题有多个都对的答案 |
| 是否要给参照 | 需要一条边界样本做标尺 | 规则一句话就能说清 |
| 瓶颈在哪 | 模型不懂你要的样子 | 模型不知道事实或缺少资料 |
挑示例和写示例的标准
挑例子这件事,很多人以为是「挑最好的」,其实是「挑最有代表性的」。先把你会遇到的输入大致分几类,每类放一条,再单独补一条最容易搞错的边界样本。这样模型看到的不只是典型情况,也知道碰到边缘该怎么处理。全都放最标准的例子,等于没告诉它例外怎么办。
输入要贴近真实。用真实会出现的问法,包括口语、错别字、信息不全的那种;别为了排版好看把输入写得太规整,否则模型学到的是「理想输入」,一上线就露馅。输出则相反,要严丝合缝:字段名、标点、大小写、空值怎么表达,全部按你最终想要的形态写死,一个字符都别含糊。
| 检查项 | 合格的样子 | 不合格的样子 |
|---|---|---|
| 覆盖度 | 典型情况 + 至少一条边界样本 | 清一色最标准的例子 |
| 输入 | 贴近真实问法,允许不规整 | 为了好看写得过于完整 |
| 输出 | 字段名、标点、空值写法统一 | 同一字段两种写法混着来 |
| 一致性 | 示例之间不打架,也不和指令冲突 | 指令说简洁,例子里全是长段落 |
一段可直接套用的骨架 + 自检清单
骨架的顺序很重要:先说清任务,再说清输出要求,然后放示例,最后才放你真正要处理的那条输入。把待处理输入放在最末尾,模型更容易顺着前面的模式接上去。示例和正式输入之间一定要用明确的标记隔开,不然模型可能把你的问题也当成一个示例来「补全」,答非所问。
- 写任务说明一两句说清要做什么、扮演什么角色,别写成长篇背景介绍
- 写输出要求字段、格式、语气、遇到不确定怎么处理,一条条列清楚
- 放示例先用两三条,标注清楚「示例」字样,输入输出成对出现
- 放待处理输入用分隔标记隔开,明确写出「下面是需要你处理的内容」
- 验证换三个没写进示例的新样本跑一遍,看格式是否稳定、结论是否合理
- 格式是否统一:所有示例的输出形态是否是同一个模板
- 是否覆盖边界:有没有一条容易搞错的情况被演示过
- 有没有自相矛盾:示例之间、示例与指令之间是否冲突
- 待处理输入是否在末尾:模型有没有可能把它当成又一个示例
- 跑新样本是否稳定:换三条没见过的输入,输出还立不立得住
调不好时,别急着推翻重写,按顺序排查效率更高:先看示例是否自相矛盾,这一步能解决大半问题;再减少例子数量,看是不是被某条带偏了;然后补一条边界样本;最后才考虑换模型或换写法。模型和价格的现状随时在变,具体到某个模型适合干什么,可以到站内的模型资料库核对当时的资料,别凭印象选。
例子不是越多越好,是越准越好;它约束的是形式,不是替你把活干完。下一步把你手头那条老是跑偏的提示词,按上面的骨架改一遍,先加两条示例再拿三个新样本验证;顺手到站内的指南中心看看其他提示写法的分工,别把 few-shot 当成万能药。→
常见问题
few-shot 和给模型「举个例子」有什么区别?
日常说的举例往往随口一提,few-shot 是把例子当成结构化输入的一部分:输入和期望输出成对出现、格式完全统一、放在指令之后正式提问之前。差别就在「规范」两个字,随手举例模型可能只当参考,规范示例模型会当模板照做。
例子给得越多效果越好吗?
不一定。例子多了提示变长,成本和延迟都上去,而且更容易引入互相矛盾的写法。建议从两三条开始,覆盖典型情况和一条边界情况,跑几个新样本看稳定性,不够再加。如果加了反而变差,多半是例子里有冲突。
few-shot 能替代微调吗?
多数格式和风格类需求,用 few-shot 就够,改起来还快,不用重新训练。但如果你有成千上万条标注、要求稳定的领域判断,或者要压延迟、省提示长度,微调才更合适。两者也能一起用:先微调打底,再用少量示例控制当次输出。