少样本学习

少样本学习是什么

少样本学习（Few-shot Learning，简称 Few-shot）是指给大模型提供少量示例，让它通过「看例子」理解任务要求后再执行。这是提示词工程里最实用、性价比最高的技巧之一。

直观理解：不跟 AI 解释「你要把内容改写成小红书的种草风格，每条 100 字以内、带 emoji、口语化」，而是直接给 2~3 条改写好的示例。AI 看懂了「原来是这个意思、这个格式」，照猫画虎输出——效果往往比长篇说明更好。

为什么它有效

大模型本质上是在学习「模式」，示例比描述更直观地传递了三种信息：

1. 任务格式：输入长什么样、输出长什么样，一眼可见。
2. 风格要求：语气、结构、详略，例子比形容词具体。
3. 隐性规则：很多要求（如「专业但不生硬」「适合新手」）很难说清，但示例能直接示范。

相比「零样本」（Zero-shot，不给例子直接问），Few-shot 在格式稳定性、风格符合度上通常有显著提升。

怎么写 Few-shot 提示词

基本结构：任务说明（一两句）+ 2~3 个示例（输入→输出）。

示例格式（以「改写为小红书风格」为例）：

任务指令：把下面的内容改写成小红书笔记风格，口语化、带 2 个 emoji、100 字以内。

示例1：
输入：这个产品可以记录每天的喝水习惯。
输出：姐妹们，喝水也要卷起来，这款小工具帮你记录每一天，简单好用，冲！

示例2：
输入：建议早睡早起，保持规律作息。
输出：熬夜星人看过来！规律作息真的会让人变美变精神，亲测有效。

现在改写：内容……

要点：

• 示例数量 1~5 个即可，过多会增加 Token 成本。
• 示例要「同构」：输入输出的形态与你的真实任务一致。
• 示例要「有代表性」：覆盖你期望的风格与边界。

适用场景与局限

最适用：

• 格式要求明确的生成（小红书文案、邮件、JSON 输出、翻译风格）。
• 风格要求主观的任务（「专业」「活泼」「克制」难以描述时）。
• 需要稳定复现的批量生产（同一模板反复用）。

局限：

• 示例本身可能带偏：坏示例会教出坏输出。
• 复杂推理任务仅靠示例不够，通常需要配合思维链或详细规则。
• 增加 Token 消耗：每条示例都会计入输入成本。

与相关概念的区别

• 零样本（Zero-shot）：不给示例直接问。简单任务够用，格式/风格任务不稳定。
• 思维链（CoT）：给「推理过程示例」引导模型分步思考。两者可组合：示例里带推理步骤。
• 微调（Fine-tuning）：用大量数据更新模型权重。Few-shot 是「提示级」的，微调是「模型级」的，后者成本高得多。

小结

少样本学习是用「示例」而不是「说明」教 AI 干活：任务说明 + 2~3 个同构示例，格式、风格、隐性规则一次到位。它是提示词工程里投入产出比最高的技巧，尤其适合格式与风格要求明确的内容生产场景。