少样本提示

它是什么

少样本提示是在提示中放入少量任务示例，再让模型处理新的输入。示例通常展示“输入是什么、合格输出是什么”或完整的对话模式。它发生在推理上下文中，不会因为提供了几个例子就执行梯度更新，也不等于使用少量训练数据进行微调。[S1]

为什么需要它

有些要求很难只靠抽象描述说清，例如标签边界、品牌语气或特殊字段格式。少量代表性示例可以把规则变成可观察模式，让模型看到相似输入应如何转换。Google 的提示策略也把示例用于展示模式和回答格式，但建议按任务试验示例数量。[S2]

它如何工作

应用把若干示范与新任务一起放入上下文，模型根据当前输入中的任务说明和示例继续生成。GPT-3 论文把这种设置作为文本交互评估，不在任务执行时更新模型参数。[S1] 示例的选择、顺序、标签一致性和与新输入的相似程度都会影响模型能够提取到什么模式。

必须澄清的误会

少样本提示 ≠ 提示词。 提示词是与模型交互的文本总称；少样本提示是在提示词内提供数个正反例示范以实现情境对齐的特定提示方法。

少样本提示 ≠ 零样本提示。 零样本只给任务说明，少样本给几个「输入→输出」示例让模型照着推断；示例更容易对齐格式，但会把示例里的偏差一起带进去。

少样本提示 ≠ 微调。 少样本是每次请求都带上示例，改的是这次输入；微调把示例训进权重，改的是模型本身——前者立刻生效可回退，后者要数据要成本、回退难。

它不会让模型记住。 示例只在这一次上下文里起作用，换一次请求就消失；要让它「记住」得走微调或外部记忆，不是多贴几个例子。

真实例子

客服团队要把反馈分成“物流、退款、产品故障”。提示先给出三个已审核例子，再提交“耳机左侧没有声音”。如果示例把类似问题稳定标为“产品故障”，模型更容易沿用边界。团队仍应准备未放入提示的固定测试集，检查新表述和多问题工单，而不能只验证示例本身。

什么时候适合与不适合

少样本提示适合规则可通过少量代表例子表达、且上下文预算允许的任务。示例会占用 Token，也可能把偶然措辞、错误标签或类别不平衡带入结果。GPT-3 在部分数据集上仍有困难；官方提示文档也建议试验示例数量。[S1][S2] 因此，示例更多不等于表现必然更好。

亲自试一下

准备十个固定测试输入和明确评分标准，先运行零样本提示，再分别加入一个、三个和五个示例。每一轮保持模型配置和任务说明不变，记录准确率、格式错误和 Token 数。只有当提升在未展示的测试输入上成立，才能把示例视为有效。

接下来学什么

与零样本提示比较是否真的需要示例，再学习上下文学习理解推理时适配的更广范围；最后用提示词评测建立固定比较方法。

来源与修订

少样本设置、文本示范与无参数更新边界参考 GPT-3 论文 [S1]；示例用于展示模式和格式的实践建议参考 Google 提示策略 [S2]。本文不把单一模型或数据集上的收益推广为通用保证。