Few-shot 和 Zero-shot 是什么意思?

不训练也能"学会"任务,上下文学习入门第一课

原题：Zero-shot 和 Few-shot 分别是什么意思？在 prompt 里放几个例子，为什么就能改变模型的行为？

Prompt工程

30 秒回答

1. Zero-shot（零样本）：不给示例，只用文字描述任务，让模型直接作答
2. Few-shot（少样本）：在 prompt 里放几个"输入→输出"示例，让模型照着模式做
3. 两者都不更新模型参数，靠的是上下文学习（In-Context Learning）能力
4. 例子能生效，是因为模型在预训练中学会了"识别并延续上文中的模式"

回答与解析

答案要点

• Zero-shot（零样本）：不给示例，只用文字描述任务，让模型直接作答

• Few-shot（少样本）：在 prompt 里放几个"输入→输出"示例，让模型照着模式做

• 两者都不更新模型参数，靠的是上下文学习（In-Context Learning）能力

• 例子能生效，是因为模型在预训练中学会了"识别并延续上文中的模式"

• 示例的质量、格式一致性、标签均衡都影响效果；简单任务 zero-shot 够用，格式复杂或任务含糊时 few-shot 更稳

核心概念

Zero-shot（零样本）指在 prompt 中不提供任何示例、仅靠自然语言描述任务就让模型完成，例如直接说"判断这句话的情感是正面还是负面"；Few-shot（少样本）指在提问前先给出几个完整的输入输出示例，再让模型处理新输入——这两个词里的 shot 就是"示例"的意思。它们背后共同的机制叫上下文学习（In-Context Learning）：模型不改任何参数，只凭上下文里的信息临时"学会"任务。

几个例子为什么能改变行为

1. 大模型的本职是"延续上文最合理的模式"。当上文连续出现三组"输入→输出"对，对模型来说最合理的续写，就是对新输入产出同样模式的输出

2. 示例传递了文字难以说清的信息：输出格式、详略粒度、边界情况怎么处理——示范一遍胜过描述十句

3. 这不是训练：权重没有任何变化，"学到"的东西只存在于当前上下文，会话一换就消失，所以叫"上下文"学习

怎么选、怎么用

场景	建议
任务常见、要求简单	Zero-shot 即可，省 token
输出格式要求严格	Few-shot，示例统一格式
任务边界模糊、有易错情况	Few-shot，把易错情况放进示例

注意：示例之间格式要一致，标签分布尽量均衡（别全是正面例子），数量通常 2~5 个即可——放太多占上下文窗口，效果还未必更好。

入门之后，可以往上下文学习的机制、示例的动态检索挑选、few-shot 与微调的对比选型深入。

口语版讲法(约2分钟)

• 一句话点题：zero-shot和few-shot本质是上下文学习
• zero-shot和few-shot的定义与区别
• 几个例子为什么能改变行为：模式延续和隐性信息传递
• 业务场景与落地建议：怎么选，注意什么

面试官问的这个问题，其实是在考察我们对大模型上下文学习机制的理解。说白了，zero-shot和few-shot都不更新模型参数，而是靠prompt里的信息让模型临时学会一个任务。

先简单说下定义。Zero-shot就是不给例子，直接用文字描述任务，比如我写一句“判断这个评论的情感是正面还是负面”，模型直接答。Few-shot是在prompt里放几个输入输出对，像“苹果很好吃 → 正面；这个手机太卡了 → 负面；新买的耳机音质不错 → 正面”，然后再给一个新输入，模型就会照着这个模式输出。

那为什么放几个例子就能改变模型行为呢？核心原因是，大模型在预训练阶段见过海量的文本，它学会了一个能力：识别并延续上文中的模式。当你在prompt里连续给了一组输入输出对，对模型来说，最合理的续写就是对新输入也产生同样模式的输出。而且，例子能传递一些文字描述说不清的东西，比如输出格式的细节、边界情况怎么处理。示范一遍比描述十句管用。

举个例子，在客服场景里，用户问“退款什么时候到账？”，如果我用zero-shot，模型可能会给一个通用回答，比如“一般3-5个工作日”。但如果我用few-shot，在prompt里放几个类似问题的示例，比如“退款申请提交后多久到账 → 根据您的订单，退款已审核，预计2小时内到账；退货物流显示签收后多久退款 → 签收后24小时内处理退款”，模型就会输出更具体、更符合当前业务规则的回答。

这里有个坑，就是示例的质量和格式一致性很重要。如果示例的标签分布不均衡，比如全是正面例子，模型会倾向于输出正面结果。还有，例子数量一般2到5个就够了，放太多会占上下文窗口，效果不一定更好。

所以总的来说，我会把zero-shot和few-shot看成上下文学习的两种策略。简单、常见的任务用zero-shot就够了，省token；但任务边界模糊、输出格式要求严格的时候，few-shot更稳。真正落地时，我倾向于先试zero-shot，如果效果不稳定再补几个精心设计的例子。这也是为什么很多系统里会预置一些few-shot模板。

如果面试官继续问，我可以深入聊聊上下文学习的机制，比如为什么例子数量不是越多越好，以及怎么动态挑选最合适的示例来提升效果。

关键一句:例子数量不是越多越好，以及动态挑选示例来提升few-shot效果

面试官还可能这样问

1. 问法 1 · 概念辨析Few-shot 和微调都能让模型"学会"新任务，它们的本质区别是什么？两种情况下模型的参数分别发生了什么变化？
2. 问法 2 · 追问边界Few-shot 的例子是不是越多越好？如果放了 20 个示例，效果反而比 5 个还差，你觉得可能是什么原因？