示范胜过说教。几个示例往往比一段规则更快地把格式和语气调对。
工作原理
Brown 等人的 GPT-3 论文让这个术语流行起来。论文测试了一个 1750 亿参数的模型,任务 “specified purely via text interaction with the model”(译文:完全通过与模型的文本交互来指定),不做梯度更新或微调,发现少样本表现随模型规模显著提升。论文定义了三种设置:
| 设置 | 提示词中的示例 |
|---|---|
| 零样本(zero-shot) | 没有,只有指令 |
| 单样本(one-shot) | 一个 |
| 少样本(few-shot) | 若干个,受上下文窗口限制 |
一个给客服工单打标签的少样本提示可能是这样的:
Ticket: "My card was charged twice." -> billing
Ticket: "The app crashes on login." -> bug
Ticket: "Can you add dark mode?" -> feature_request
Ticket: "I was billed after cancelling." ->
模型会延续这个模式。Anthropic 的指南称示例是 “one of the most reliable ways to steer”(译文:最可靠的引导方式之一)格式、语气和结构的手段,并要求示例相关、多样,并用标签包裹起来,让模型能把它们和指令区分开。
为什么重要
- 控制格式。 示例能展示规则覆盖不到的边界情况,比如空字段该怎么写。如果需要严格的 JSON,请搭配结构化输出。
- 费用。 每个示例在每次调用时都会作为输入重新发送。五个 200 token 的示例,每次请求会增加 1,000 个 token。放在固定前缀里时,它们可以按缓存输入 token 计费。
- 推理。 展示步骤而不只是答案的示例,就是思维链提示。
- 何时停下。 如果你需要几百个示例,微调的单次调用成本可能比每次都发送它们更低。
在 BroadNet Inference 上
少样本提示不需要任何特殊的 API 功能,它就是 messages 里的普通文本。BroadNet 会在 usage 中返回 cached_tokens,你可以借此检查示例块是否从缓存读取。在按量付费密钥上,缓存价格低于输入价格;以 DeepSeek V4.1 Flash 为例,每 1M token 分别是 $0.0055 和 $0.175。阿拉伯语任务请参见阿拉伯语提示词工程;用示例做文档信息抽取,请参见阿拉伯语发票指南。
常见错误
- 所有示例都是同一个标签或同样的长度。模型会照搬这种偏差。
- 每次请求轮换示例。这会破坏缓存前缀,也让结果更难比较。