Few-Shot Prompting（少样本提示）笔记

一句话看懂：Few-Shot 就是用 1~N 个“输入→输出”范例，让模型在当下对话里学会你想要的模式（尤其适合格式严格、映射规则隐含的任务）。

一、 核心概念：什么是 Few-Shot？

大语言模型（LLM）在预训练时看过了海量数据，具备强大的 Zero-Shot（零样本）泛化能力。但在处理格式要求苛刻、边界模糊的分类、或特定业务领域的私有术语时，Zero-Shot 往往会“翻车”。

Few-Shot (少样本) 的本质，是利用大模型的“模式匹配（Pattern Recognition）”能力。 你不需要向模型解释长篇大论的规则，只需要直接给它展示 1 个（One-Shot）到多个（Few-Shot）<输入 -> 输出> 的成对示例，模型就能在当前的上下文窗口中“顿悟”其中的隐式规律。

---

二、 核心场景：什么时候必须用 Few-Shot？

在日常的 Vibe Coding 和 MVP 开发中，遇到以下场景，请果断放弃复杂的 Prompt 指令解释，直接上 Few-Shot：

1. 统一输出格式（Format Enforcement）： 强迫模型输出可以被正则解析或 JSON 反序列化的特定字符串。

2. 特定的业务分类（Custom Classification）： 例如判断一段用户评论是“产品 Bug”、“功能建议”还是“客服客诉”。

3. 私有知识/黑话映射（Domain Jargon）： 将用户的口语化表达转化为你们系统的私有枚举值。

---

三、 经典对比案例：NLP 意图提取

假设你需要做一个 Agent，把用户的自然语言转换成系统可识别的排序指令。

❌ Zero-Shot（零样本）— 容易发散

User: 提取用户语句中的排序字段和排序方式。输入：“帮我把最贵的排在前面”。

AI: 用户想要按照价格进行排序，排序方式是降序（从高到低）。(解释性废话太多，代码无法直接解析)

✅ Few-Shot（少样本）— 精准控制

User: > 提取用户语句中的排序字段和排序方式，只返回 JSON，不要任何废话。

[示例 1]

输入：“按时间倒序看”

输出：{“field”: “createdAt”, “order”: “desc”}

[示例 2]

输入：“评分最低的放前面”

输出：{“field”: “rating”, “order”: “asc”}

[当前任务]

输入：“帮我把最贵的排在前面”

AI: {“field”: “price”, “order”: “desc”}

---

四、 高阶工程化：在 TypeScript 中的最佳实践

在真实的 Agent 框架搭建中，我们通常不会把 Few-Shot 写死在一个长长的字符串里，而是利用 OpenAI API 的消息数组结构（Message Array）来“伪造”历史对话，这样对大模型的注意力机制最友好。

下面是一段用 TypeScript 编写的核心逻辑，演示如何通过历史消息注入 Few-Shot 示例：

TypeScript

import OpenAI from "openai";
import { ChatCompletionMessageParam } from "openai/resources";

const openai = new OpenAI({ apiKey: "your-api-key" });

/**
 * 业务场景：将用户口语化的相对时间，解析为标准的相对日期指令
 */
async function parseDateIntent(userInput: string) {
  // 1. 定义 System Prompt
  const systemPrompt: ChatCompletionMessageParam = {
    role: "system",
    content: "你是一个日期解析器。你的任务是将用户输入转换为标准指令（如 TODAY, TOMORROW, NEXT_WEEK）。只返回指令，不要解释。"
  };

  // 2. 构造 Few-Shot 示例（伪造 User 和 Assistant 的一问一答历史记录）
  const fewShotExamples: ChatCompletionMessageParam[] = [
    { role: "user", content: "今天下午" },
    { role: "assistant", content: "TODAY" },
    { role: "user", content: "明儿个" },
    { role: "assistant", content: "TOMORROW" },
    { role: "user", content: "下个礼拜" },
    { role: "assistant", content: "NEXT_WEEK" }
  ];

  // 3. 拼接当前的真实任务
  const currentTask: ChatCompletionMessageParam = {
    role: "user",
    content: userInput
  };

  // 4. 组装并发送请求
  const messages = [systemPrompt, ...fewShotExamples, currentTask];

  const response = await openai.chat.completions.create({
    model: "gpt-4o", // 或你选择的任意先进模型
    messages: messages,
    temperature: 0.1, // 分类和格式化任务，建议调低温度以降低随机性
  });

  return response.choices[0].message.content;
}

// 运行时测试
// parseDateIntent("明天早上的机票").then(console.log); 
// 预期输出: TOMORROW

为什么这种方式更好？

大模型在底层架构上被训练为预测“下一个 Token”。通过真实的 role: "user" 和 role: "assistant" 的交替，模型会本能地进入“扮演”状态，严格遵循前面 Assistant 已经表现出的格式惯性。

---

五、 Few-Shot 的“避坑”指南 (Anti-Patterns)

面试或高阶实战中，常常会踩以下几个 Few-Shot 的坑：

1. 示例分布不均衡 (Class Imbalance)： 如果你给的 3 个例子全是 “True”，模型就会产生强烈的偏见，遇到模棱两可的问题也会倾向于回答 “True”。最佳实践：正例、反例、边界示例都要包含，且比例均衡。

2. 标签随机性 (Label Bias) / 顺序偏差 (Recency Bias)： 模型往往对放在 Prompt 最末尾的示例印象最深。如果你的最后一个示例输出是 A，模型在回答新问题时也会略微倾向于 A。

3. 把 Few-Shot 当万能药 (缺乏逻辑链)： Few-Shot 只教**“格式和映射”，不教“逻辑推导”**。如果任务需要复杂的数学计算，光给 <题目 -> 答案> 的 Few-Shot 是没用的，必须结合上一节课的内容，升级为 Few-Shot CoT（少样本思维链），在示例中把推导过程写出来。

---

一、 Few-Shot vs CoT 核心区别：维度不同（见 Chain of Thought（CoT）笔记）

• Few-Shot（少样本提示）解决的是“样本量”的问题。

  • 核心逻辑： 给你打个样，你照着学。

  • 作用： 告诉模型“我要什么格式的输入和输出”，帮模型确立模式 (Pattern)。

• CoT（思维链）解决的是“思考深度”的问题。

  • 核心逻辑： 把推导过程写出来。

  • 作用： 强制模型展示中间步骤，帮模型确立逻辑 (Logic)。

---

二、 组合矩阵：四大门派

我们将“是否给例子 (Zero/Few)”和“是否给推导过程 (Standard/CoT)”进行交叉组合，就会得到日常使用的 4 种 Prompt 范式。

为了直观，我们用一个“判断奇偶数相加”的简单任务做对比：

1) Standard Zero-Shot（零样本标准提示）

最基础的“直球”，什么都不给，直接问。

User: 一组数里奇数加起来是偶数吗？[15, 32, 5, 13, 82, 7, 1]

AI: 是的。(模型可能会瞎猜一个)

2) Standard Few-Shot（少样本标准提示）

给了例子，规范了输入输出的格式，但没有中间计算逻辑。

User:

例子 1：[3, 4, 5] → 奇数相加：3+5=8。8 是偶数。→ 答案：True

例子 2：[1, 2, 3, 4] → 奇数相加：1+3=4。4 是偶数。→ 答案：True

问题：[15, 32, 5, 13, 82, 7, 1] 里的奇数加起来是偶数吗？

AI: True。 (面对长数组，模型因为缺乏推导，依然容易算错)

3) Zero-Shot CoT（零样本思维链）

不给例子，但通过一句“咒语”逼迫模型自己把过程写出来。

User: [15, 32, 5, 13, 82, 7, 1] 里的奇数加起来是偶数吗？请一步一步思考。

AI: 第一步，找出数组中的奇数：15, 5, 13, 7, 1。

第二步，将它们相加：15 + 5 = 20；20 + 13 = 33；33 + 7 = 40；40 + 1 = 41。

第三步，判断 41 是否为偶数。41 不能被 2 整除，是奇数。

答案：False。

4) Few-Shot CoT（少样本思维链）—— 🌟 终极杀器

既给例子规范格式，又在例子中示范了完整的推导过程。

User:

例子 1：[3, 4, 5]

思考过程：奇数有 3, 5。相加得出 3 + 5 = 8。8 是偶数。

答案：True

问题：[15, 32, 5, 13, 82, 7, 1]

AI: 思考过程：数组中的奇数有 15, 5, 13, 7, 1。相加得出 15 + 5 + 13 + 7 + 1 = 41。41 是奇数。

答案：False

---

三、 总结与实战建议

提示词范式	特点	适用场景
Zero-Shot	不给示例，直接问	简单的基础问答、文本翻译、摘要提取。
Few-Shot	只给输入输出示例	需要模型严格遵守特定 JSON/XML 格式输出，或特定的语气要求时。
Zero-Shot CoT	加一句 “一步步思考”	遇到复杂逻辑，但你懒得写长篇示例时（性价比最高）。
Few-Shot CoT	示例 + 完整推导逻辑	高难度的算法推导、极复杂的业务逻辑架构设计、或需要模型学会私有框架规则时。

一句话记忆：

Few-Shot 是给大模型看**“参考答案”（知道长啥样）；CoT 是给大模型看“解题步骤”**（知道怎么解）。两者结合 (Few-Shot CoT)，大模型就能变成能举一反三的学霸。

相关笔记

• Chain of Thought（CoT）笔记：当任务需要“推理过程”，Few-Shot 需要升级为 Few-Shot CoT。
• 结构化输出（Structured Output）笔记：Few-Shot 最常见用途之一就是强制稳定输出格式。
• System Prompt（系统提示词）笔记：Few-Shot 更像“示例数据”，System Prompt 更像“全局规则”，两者可叠加使用。