分述一：Zero-shot提示——让模型凭“常识”回答问题

什么是Zero-shot提示？

Zero-shot（零样本）提示，顾名思义，就是不给模型任何示例，直接提出你的问题或指令，让模型依靠它在预训练阶段习得的“通用知识”来回答。

这是最基础、最常用的提示方式。你每天和ChatGPT、Claude的绝大部分对话，本质上都是Zero-shot提示。

几个典型的Zero-shot提示示例：

示例1：直接提问

“请解释什么是量子纠缠。”

示例2：指令式

“将以下中文翻译成英文：今天天气很好。”

示例3：带有格式约束

“请用三句话总结《百年孤独》的核心主题，每句话不超过20个字。”

Zero-shot提示有效的“隐藏前提”

很多初学者会惊讶地发现：同样的Zero-shot问题，有时模型回答得精彩绝伦，有时却答非所问。这背后的规律是什么？

Zero-shot提示要想效果好，取决于两个关键因素：

因素一：模型的“知识覆盖”程度

如果模型在预训练阶段没有充分学习过某个领域的知识，Zero-shot提示的效果必然打折扣。比如你让一个通用模型回答“请分析这个罕见病的分子机制”，如果该病在训练数据中出现频率很低，模型的Zero-shot回答大概率是泛泛而谈甚至编造内容。

因素二：问题的“清晰度”和“结构化程度”

这是Zero-shot提示中人为可控的最重要变量。一个模糊的、没有约束的问题，一定得到模糊的、没有结构的答案。而一个清晰、具体、带有明确指令的问题，即使不给任何示例，模型也能给出高质量的回复。

来看一个对比：

模糊的问题：

“如何提高代码质量？”

清晰的问题：

“我是一个有3年经验的Python开发者，主要做Web后端。请给出5条可立即执行的代码质量改进建议，每条建议需要包含：具体做法、预期收益、投入成本估算。”

同一个模型，后者的回答质量和实用性会高出数倍——不是因为模型变了，而是因为提问方式让模型知道了“该往哪个方向用力”。

写Zero-shot提示的4条核心原则

基于大量实战经验，高质量的Zero-shot提示通常遵循以下原则：

原则1：角色设定（Role Prompting）

告诉模型“你是谁”，能让模型激活特定领域的知识模式。

❌ “写一份产品需求文档。”
✅ “你是一个有8年经验的B端产品经理，请为‘企业内部知识库系统’写一份产品需求文档，包含用户故事、功能列表和优先级排序。”

原则2：明确输出格式

不要假设模型“知道你要什么格式”。显式地告诉它。

❌ “列出新能源车的优缺点。”
✅ “请以Markdown表格的形式列出新能源车的优缺点，左列写优点、右列写缺点，至少各写5条。”

原则3：分解复杂任务

一个庞大的问题会让模型“注意力分散”。将其拆解为多个子任务，效果往往更好。

❌ “帮我设计一个完整的电商推荐系统。”
✅ 分步提问：
   “第一步：请描述电商推荐系统的核心架构，包含召回、排序、重排三个环节。”
   “第二步：针对召回环节，给出3种常用的召回策略及其适用场景。”
   “第三步：针对排序环节，解释点击率预估模型的特征工程要点。”

原则4：设定长度和风格约束

模型的默认输出风格和长度不一定符合你的需求，提前设定能节省大量修改时间。

“请用不超过200字的篇幅，以专业但易懂的风格，向非技术背景的产品经理解释什么是大语言模型。”

Zero-shot的局限性：什么时候不够用？

尽管Zero-shot提示在大多数日常场景中够用，但它在以下情况下往往会暴露短板：

• 需要模型遵循特定的“推理路径”：比如复杂的数学推导、多步骤逻辑判断

• 需要模型按照特定的“格式模板”输出：比如JSON结构、特定字段顺序

• 任务非常冷门或专业：模型缺乏相关领域的知识储备

• 需要模型处理“刚出现”的信息：比如2026年的最新政策、新兴技术

这时，我们就需要引入更强大的提示策略——Few-shot提示。

分述二：Few-shot提示——用“示例”教会模型“怎么答”

什么是Few-shot提示？

Few-shot（少样本）提示，是在提问之前，先给模型提供几个“问题-回答”的示例，让模型从中学习任务的模式、格式、推理路径和输出风格，然后再回答真正的问题。

Few-shot提示的核心思想是：模型不需要你告诉它“规则”，它只需要看几个“范例”，就能自己“悟”出规则。

一个直观的对比：

Zero-shot方式：

“将以下英文翻译成中文：The quick brown fox jumps over the lazy dog.”

模型会直接翻译，但翻译的风格、用词、直译还是意译，都是随机的。

Few-shot方式：

“请将以下英文翻译成中文，注意保持文学性和优雅。

示例1：
英文：The sun set behind the mountains, painting the sky in shades of orange and pink.
中文：落日隐入群山之后，将天空染成一片橘粉相间的油画。

示例2：
英文：She walked through the autumn leaves, her footsteps soft and hesitant.
中文：她穿行于秋叶之间，步履轻柔，带着些许迟疑。

现在请翻译：The old house stood quietly at the end of the lane, its windows dark and empty.”

通过这两个示例，模型理解了“文学风格、带有意译、保持优雅”的要求，最终的翻译质量会明显高于Zero-shot方式。

Few-shot提示的“示例设计”方法论

Few-shot的效果高度依赖于示例的质量。设计好的示例，需要遵循以下方法论：

1. 示例的代表性

示例应该覆盖任务的“多样性”。如果你要做一个情感分类任务，示例中应该同时包含正面、负面和中性样本，而不是只给三个正面样本。

2. 示例的数量

Few-shot中的“few”到底是多少个？研究表明，3-8个示例通常是最佳区间：

• 少于3个：模型可能学不到足够的模式

• 多于8个：收益递减，且会占用大量上下文窗口空间（在2026年百万Token窗口下这个限制已大大缓解，但仍需注意成本）

• 对于复杂推理任务，可能需要5-8个示例

3. 示例的“干净度”

示例必须是正确的、格式一致的。一个错误的示例，会污染模型对整条任务的理解。

4. 示例的“结构对齐”

所有示例应该遵循完全相同的结构：输入格式 → 输出格式，两者之间的对应关系要清晰明确。

Few-shot的进阶技巧：CoT（思维链）

当任务需要多步推理时，仅仅给出“输入-输出”示例往往不够。这时需要引入CoT（Chain of Thought，思维链）提示——在示例中同时展示推理过程。

普通Few-shot（无推理过程）：

“示例1：小明有3个苹果，又买了2个，现在有几个？→ 5个
示例2：小红有10元钱，花了4元，还剩多少？→ 6元
现在问：小刚有5本书，借出去2本，又买了3本，现在有几本？”

模型可能直接猜答案，容易出错。

带CoT的Few-shot（展示推理过程）：

“示例1：小明有3个苹果，又买了2个，现在有几个？
推理：3 + 2 = 5，所以现在有5个苹果。
答案：5个

示例2：小红有10元钱，花了4元，还剩多少？
推理：10 - 4 = 6，所以还剩6元。
答案：6元

现在问：小刚有5本书，借出去2本，又买了3本，现在有几本？
请按照上面的推理方式，写出推理过程。”

模型会模仿“推理→答案”的模式，输出的准确率大幅提升。CoT是Few-shot最重要的扩展技术，也是后续ReAct等高级Agent框架的基础。

Few-shot vs Zero-shot：什么时候用哪个？

场景	推荐策略	理由
日常问答、简单咨询	Zero-shot	高效、省Token，模型能力已足够
需要特定输出格式	Few-shot（1-2个示例）	格式对齐最可靠
复杂的格式化输出（JSON/XML）	Few-shot（2-3个示例）	确保结构完全符合预期
多步骤推理任务	Few-shot + CoT	展示推理过程大幅提升准确率
冷门专业领域	Few-shot（3-5个示例）	弥补模型知识盲区
需要特定风格的输出	Few-shot（2-3个示例）	风格对齐比文字描述更精准
上下文窗口极度受限	Zero-shot	Few-shot占用额外Token
成本极其敏感的高频调用	Zero-shot为主	但需辅以Few-shot质量验证

Few-shot的实战注意事项

1. 注意上下文的“污染”

示例中的内容也会被模型视为“上下文的一部分”。如果示例中包含不相关的信息，可能会干扰模型对当前问题的理解。示例越简洁、越纯粹，效果越好。

2. 示例的顺序有讲究

实验表明，示例的顺序会影响Few-shot的效果。通常建议从简单到复杂排列，让模型先“热身”，再处理难的任务。

3. 与系统提示词配合使用

在实际工程中，通常把固定的指令放在系统提示词（System Prompt）中，把Few-shot示例放在用户提示（User Prompt）中。这样既能统一行为风格，又能按需更换示例。

结尾总结：从Zero-shot到Few-shot——提示词工程的“第一级台阶”

让我们回顾一下本篇文章的核心内容：

第一，Zero-shot提示是所有提示方式的基础。 它不给模型任何示例，直接让模型依靠预训练知识回答问题。Zero-shot效果好不好，取决于模型的“知识覆盖度”和问题的“清晰度”。高质量Zero-shot提示的核心在于：角色设定、明确格式、分解复杂任务、设定长度风格约束这四条原则。

第二，当Zero-shot不够用时，Few-shot提示是首选升级方案。 通过在提示中嵌入3-8个“问题-回答”示例，模型能从中“悟”出任务的格式、风格和推理路径。对于需要多步推理的复杂任务，进一步在示例中展示推理过程（CoT思维链）可以大幅提升准确率。

第三，Zero-shot和Few-shot不是二选一的关系，而是根据场景灵活选择的策略。 日常问答用Zero-shot足够高效，复杂格式化输出和多步推理用Few-shot更可靠，成本敏感的高频调用优先Zero-shot辅以质量验证——在实际工程中，这两种策略往往是混合使用的。

Zero-shot和Few-shot是提示词工程最基础的两种能力，也是后续所有高级提示技术（CoT思维链、ReAct模式、系统提示词设计）的基石。掌握了它们，你就掌握了与大模型高效对话的“基本语法”。