Few-shot Prompting
Few-shot Prompting 是在 Prompt 中给出几个示例，让模型"看样学样"。它是连接"零样本"和"微调"之间的高效桥梁——不需要训练，只需要示例。
① 一句话定义
Few-shot Prompting（少样本提示）是在 Prompt 中提供少量示例（通常是 2-5 个），让模型通过这些示例理解任务格式和期望输出，而无需任何模型训练或参数更新。
② 为什么重要
Few-shot 是 Prompt Engineering 中最强大的技术之一：
- 零成本定制：不需要微调，不需要标注数据集，几个例子就能让模型适应特定任务。
- 快速原型验证：产品经理可以在几分钟内验证一个 AI 功能的想法是否可行，而不需要工程师介入。
- 格式一致性：当需要模型遵循特定输出格式时，给 2-3 个格式示例比写一长串格式说明更有效。
③ 核心机制
Few-shot 利用了 LLM 的 In-Context Learning（上下文学习）能力：
1. 模式匹配：模型在上下文窗口中看到输入-输出的示例对后，会自动"捕捉"到其中的模式（格式、风格、逻辑），并将其应用到新输入上。
2. 注意力引导：示例将模型的注意力引导到正确的"任务空间"——不是生成通用回答，而是执行特定类型的转换。
3. 示例选择很关键：示例的质量 > 数量。好的示例应该是：格式一致、覆盖边界情况、与当前输入相关。随机选示例的效果可能比不提供示例还差。
4. 与 Zero-shot 的对比：Zero-shot 是"请做 X"，Few-shot 是"这是做 X 的例子：A→A', B→B'，现在请对 C 做同样的事"。对于复杂或模糊的任务，Few-shot 效果显著优于 Zero-shot。
④ 典型应用场景
文本分类：给几个分类示例，模型就能按同样逻辑分类新文本。
格式转换：给几个"自然语言 → JSON"的示例，模型就能自动提取结构化信息。
风格模仿：给几段目标风格的文字，模型就能用类似风格写作。
代码翻译：给几个 Python → TypeScript 的示例，模型就能批量转换。
⑤ 常见误区
误区：示例越多越好
✅ 实际上：3-5 个精心选择的示例通常足够。过多示例消耗 Token 成本，还可能导致模型过拟合到示例中的噪音。
误区：Few-shot 可以替代微调
✅ 实际上：对于需要高度专业化的任务（如医学文献分析），Few-shot 的准确率通常不及专门微调的模型。它是"快速见效"的手段，不是"终极方案"。
「Few-shot 是"教"AI 做新任务的最快方式——不需要写代码，不需要训模型，几个好例子就够了。
」