Zero-shot、One-shot 和 Few-shot Prompt 有什么区别？

简化版

区别在给不给示例、给几个：Zero-shot 只给任务说明、无示例；One-shot 给 1 个示例；Few-shot 给少量输入输出示例，让模型在上下文里归纳任务模式（即 In-Context Learning）。示例通常能改善格式和歧义任务，但会增加 token 成本，还可能引入顺序、标签、样例偏置。三者都不更新模型参数——请求结束示例就消失。

详细版

方式	给什么	适合
Zero-shot	只有任务说明	模型熟悉、指令清晰的常见任务
One-shot	1 个示例	说明特殊格式或边界
Few-shot	多个示例	展示类别、规则、例外

Few-shot 属于 In-Context Learning：模型根据提示中的演示，在当前请求内表现出任务适配。示例选择要：正确、贴近真实分布、覆盖关键类别与难例、输入输出格式一致；还要测试示例顺序、绝不把测试样本或未来信息泄漏进示例。

完整版教学

一、In-Context Learning 不等于训练

Few-shot 看起来像模型「学会」了新任务，但这是错觉——模型权重一个字节都没变。示例只存在于本次上下文，请求结束就没了；只有微调才通过梯度更新参数。

Few-shot：示例在 prompt 里 → 本次请求有效 → 请求结束即遗忘（不改权重）
微调：    示例进训练循环 → 梯度更新参数 → 永久改变模型

这种「即时适配」让开发者能快速定义新标签和输出模式，但效果受上下文长度、模型能力、示例质量限制。

二、什么时候 Zero-shot 就够了

摘要、翻译、常见分类等定义清晰的任务，强模型往往 Zero-shot 就能做好。先建 Zero-shot 基线有两个好处：省 token；能判断示例是否真带来收益（别为了加而加）。

关键易错点：如果 Zero-shot 失败是因为缺知识，加格式示例没用——示例教的是「格式和模式」，补不了「事实」，那要靠 RAG/工具。

三、Few-shot 为什么有效（一个例子）

自然语言规则有时难以穷举，示例能一次性传达「输入输出映射 + 标签含义 + 风格格式 + 边界处理」：

判断评论情感（正面/负面/中性）：

评论：这手机续航一天一充，还行吧。→ 中性
评论：客服态度太差了，再也不买。→ 负面
评论：拍照惊艳，超出预期！→ 正面
评论：{待判断评论} →

三个例子把「中性怎么算、语气怎么映射」讲清了，比纯文字规则更直观。GPT-3 论文展示了这种「无需梯度更新的 Few-shot 能力」，但也指出不同任务表现不稳定，不能当成必然提升。

四、示例怎么选、顺序为什么重要

选择：优先「贴近线上分布 + 答案经审核」的样例。只给最简单样例 → 评估虚高、覆盖不了真实难题；只给极端样例 → 扭曲模型对常规情况的判断。可静态维护一组通用示例，也可按查询相似度动态选择（更相关，但要防检索到错误/敏感/矛盾的演示）。

顺序和分布偏置（高频坑）：

模型可能偏向最近出现的标签（recency bias）；
可能模仿示例的类别比例（给 5 正 1 负，模型倾向多答正）；
受示例排列顺序影响。

所以分类任务要覆盖关键类别、测试不同排列（别只挑一次表现最好的顺序），类别比例要结合业务事实决定（机械配平也可能引偏差）。

五、负例有没有用

对约束复杂的任务，正例 + 反例能说明边界。但反例必须明确标注「错在哪」和「正确做法」：

✓ 好的反例：
  输入：... 
  错误输出：{漏了 date 字段} ← 错误：缺必填字段 date
  正确输出：{完整字段}

✗ 危险的反例：只给错误输出、不标注 → 模型可能把错误形式当成要模仿的模式

涉及安全的禁止行为，不能只靠反例控制，还需应用层策略和验证。

六、常见误区与追问

误区：Few-shot 是在训练模型。 不改权重，示例只在本次上下文有效，请求结束即忘。
误区：示例越多越好。 增 token 成本、可能引入偏置；先建 Zero-shot 基线判断收益。
误区：加示例能补知识。 示例教格式/模式，补不了缺失事实（那要 RAG/工具）。
追问：什么是 In-Context Learning？ 模型据上下文演示在本次请求内适配任务，不更新参数。
追问：Few-shot 有哪些偏置？ 顺序（recency）、标签分布模仿、样例选择偏置，要测排列和覆盖。
追问：动态选示例的风险？ 可能检索到错误/敏感/矛盾的演示，要过滤校验。
追问：示例一直加下去怎么办？ 若示例持续增长且成本高，说明可能该考虑微调了。

七、加强记忆

三者记「只讲规则 / 做一次示范 / 给几道例题」：Zero-shot（无示例，定义清晰的任务够用）、One-shot（1 个，说明特殊格式）、Few-shot（多个，In-Context Learning 现场归纳）。核心认知钉死：示例能教模式但不改参数、请求结束即忘、补不了知识；三大偏置要防——顺序（recency）、标签分布模仿、样例选择，所以要测排列、覆盖关键类别、贴近真实分布、绝不泄漏测试样本。先建 Zero-shot 基线判断示例是否真有用。

简化版

详细版