在大语言模型（LLM）的应用中，Few-shot Learning（少样本学习）是一种通过在提示词（Prompt）中提供少量示例（examples），引导模型理解任务格式与逻辑，从而在未见过的新输入上完成同类任务的技术。它与 Zero-shot（零样本）和 One-shot（单样本）共同构成了基于上下文学习（In-Context Learning）的主要范式。理解三者的区别与适用场景，是高效利用大模型能力的关键。
核心概念定义
Zero-shot（零样本）
模型仅根据任务描述（无任何示例），直接对新输入进行推理。
示例：
“将以下英文句子翻译成中文：The weather is beautiful today.”
模型需依靠预训练阶段学到的“翻译”概念完成任务，无具体格式示范。
✅ 优点：无需示例，简洁高效。
❌ 缺点：对复杂、模糊或非常规任务容易出错。
One-shot（单样本）
在任务描述后提供一个输入-输出示例，再给出新输入要求模型模仿。
示例：
示例：
输入：“Hello, how are you?” → 输出：“你好，你好吗？”
请翻译： “Good morning!”
模型通过单一案例推断任务模式（如语言对、标点处理等）。
✅ 优点：比 zero-shot 更可靠，尤其对格式敏感任务。
❌ 缺点：单一样本可能具有偶然性，泛化能力有限。
Few-shot（少样本）
提供多个（通常 2~10 个）典型示例，形成“模式模板”，显著提升模型对任务意图和输出结构的理解。
示例：
请根据用户情绪分类为 positive / negative / neutral：
“今天中奖了！” → positive
“快递又延迟了。” → negative
“会议在3点开始。” → neutral“这个电影太无聊了。” →
模型从多组样例中归纳规则（如感叹号常表积极、抱怨词表消极等）。
✅ 优点：大幅提高准确率与格式一致性，适用于复杂映射任务。
❌ 缺点：占用更多上下文 Token，增加成本与延迟。
本质区别：上下文中的“教学样本”数量
| 类型 | 示例数量 | 是否提供输入-输出对 | 适用场景 |
|---|---|---|---|
| Zero-shot | 0 | 否 | 简单、通用任务（如基础翻译、常识问答） |
| One-shot | 1 | 是 | 需要格式示范但规则简单的任务 |
| Few-shot | ≥2 | 是 | 复杂、模糊、自定义格式或领域特定任务 |
💡 关键洞察：大模型本身不进行参数更新（即非传统机器学习中的“训练”），而是通过示例激活其预训练知识中的相关模式，实现“推理时学习”。
实际应用场景对比
场景1：情感分析
- Zero-shot：
“判断以下评论的情感倾向：‘服务态度极差！’”
→ 可能输出“负面”“差”“消极”等不一致格式。 - Few-shot：
“‘很好！’ → positive；‘一般般’ → neutral；‘糟糕透顶’ → negative”
→ 输出严格统一为positive/neutral/negative。
场景2：数据提取
- Zero-shot：
“从邮件中提取电话号码。”
→ 可能遗漏或格式错误。 - Few-shot：
“邮件：‘请联系我 1381234’ → 1381234”
“邮件：‘电话：010-88889999’ → 010-88889999”
→ 模型学会识别多种电话格式并标准化输出。
场景3：代码生成
- One-shot 可展示函数签名与注释风格；
- Few-shot 可演示异常处理、日志记录、参数校验等完整模式。
使用 Few-shot 的最佳实践
- 示例应具代表性：覆盖主要边界情况（如空值、极端值、多语言）；
- 保持格式严格一致：输入/输出分隔符、缩进、标点需统一；
- 按难度或频率排序：先简单后复杂，或先高频后低频；
- 避免误导性示例：错误或模糊样本会污染模型判断；
- 结合指令说明：在示例前添加清晰任务描述，如“请按以下格式转换：”。
局限性与注意事项
- Token 成本：每个示例都消耗上下文长度，超长任务需权衡示例数量；
- 并非万能：若任务超出模型知识范围（如最新事件），few-shot 也无法解决；
- 示例质量 > 数量：2 个高质量示例通常优于 5 个杂乱示例；
- 领域适配：通用示例在专业领域（如医疗、法律）效果有限，需领域定制。
总结
- Zero-shot：靠“猜”，适合简单任务；
- One-shot：给“一个例子”，适合格式示范；
- Few-shot：给“几个例子”，适合复杂、自定义或高精度要求任务。
在实际开发中，建议优先尝试 zero-shot，若效果不佳再逐步引入 one-shot 或 few-shot。同时，可将 few-shot 示例模板化，结合动态数据填充，构建稳定可靠的 AI 工作流。
