上下文学习（In-Context Learning, ICL） 是大语言模型（如 GPT-3、GPT-4）非常关键的一种学习方式，它是指：

在推理阶段，模型无需任何参数更新，仅通过输入提示（prompt）中提供的上下文示例，就能完成新任务。

这是大语言模型区别于传统机器学习模型的重要能力之一。

---

一、上下文学习是怎么回事？（定义）

上下文学习的核心思想是：

• 模型并没有通过反向传播调整任何参数；
• 而是通过提示中提供的任务示例（上下文） 来“临时”学会完成新任务；
• 所以也被称为**“提示学习（Prompt Learning）”的一种形式**。

这是一种零更新、即时推理的能力。

---

二、举个例子

我们给 GPT-3 一个 prompt：

Task: Translate English to French
Input: I love you
Output: Je t’aime

Input: Good morning
Output: Bonjour

Input: How are you?
Output:

模型会自动生成：Comment ça va ?

这个过程就是上下文学习，因为：

• 模型没有见过“如何将 How are you 翻译为法语”这个特定示例；
• 但它通过上下文中已有的翻译示例学会了任务格式与语义。

---

三、上下文学习的几种形式（Shot 学习）

根据提供的示例数量，上下文学习可分为：

类型	描述
Zero-shot	不提供任何示例，只用任务说明
One-shot	提供一个示例
Few-shot	提供少量（通常 2～32 个）示例
Many-shot	输入长度允许时，提供大量示例（如 100+）

例如：

Zero-shot Prompt：

Translate English to French:
How are you?

Few-shot Prompt：

Translate English to French:
I love you → Je t’aime
Good morning → Bonjour
How are you? →

---

四、上下文学习与传统学习方式的区别

维度	传统监督学习	上下文学习（ICL）
是否训练模型参数	是	否
是否需要微调	是	否
使用人类标签	是	否（通过 prompt 提示）
推理方式	靠已学参数	靠 prompt 提示内容
灵活性	固定任务	通用任务格式即可
示例位置	数据集中	prompt 里

---

五、上下文学习的工作机制（原理简析）

上下文学习在理论上依赖于语言模型的以下能力：

1. 强大的表征能力：
   • 能够理解文本中的示例；
2. 序列建模能力：
   • 模拟出“学习后再预测”的行为；
3. 任务结构建模能力：
   • 从多个示例中归纳任务规则；
4. 记忆能力：
   • 在 token 长度范围内保持上下文信息不遗失；

但它并没有真正形成“内部参数更新”，只是通过大模型强大的泛化能力模拟了“临时学习”行为。

---

六、上下文学习的能力边界

虽然 ICL 很强，但它也存在一些限制：

限制	描述
窗口长度限制	模型的最大 token 长度限制了支持的示例数量
顺序敏感性	示例的排列顺序影响结果质量
任务分布泛化性弱	对不熟悉任务、复杂推理任务表现有限
没有长期记忆	推理完毕后不保留学习结果，无法“持续学习”

---

七、上下文学习在 GPT 中的作用

GPT-3、GPT-4 等模型通过上下文学习可以实现：

• 代码生成（提供几个样例，模型模仿格式）
• 文本分类（提供 prompt + 标签）
• 信息抽取（提供标注格式）
• 表格填充、数学题解（提供几组输入输出）
• 多轮对话角色模仿

你甚至可以这样教它：

You are a helpful assistant. Answer the questions politely.
Q: What's the capital of France?
A: The capital of France is Paris.

Q: What's the capital of Germany?
A:

模型会自然而然延续这种行为。

---

八、上下文学习 vs 参数微调（Fine-tuning）

对比维度	上下文学习（ICL）	微调（Fine-tune）
是否更新模型参数	❌ 否	✅ 是
是否训练耗时	❌ 快速	✅ 慢，需训练
是否适配新任务	✅ 立即适配	✅ 高度适配
对输入依赖性	✅ 高（依赖 prompt）	❌ 较低
可持续性	❌ 推理后丢失	✅ 模型永久记住新知识
场景适用	快速实验、小样本、通用模型	长期部署、大数据训练

---

九、衍生话题

上下文学习引出了很多重要的研究方向：

• 自动构建 Few-shot 示例（Prompt Selection）
• 上下文示例排序优化
• Chain-of-Thought（CoT）推理
• Program-of-Thought（PoT）推理
• 思维分支 Self-Consistency 解法

这些技术极大地提升了 ICL 的效果。