同一个大模型，加不加几个例子成绩差一截：few-shot（少样本）一次讲明白（2026入门）

你肯定见过这样的对话：让 AI「帮我写个周报」，它洋洋洒洒写了一堆，风格浮夸，全是套话。你把上周写得最好的那份周报贴上去，说「照这个风格写」，它的输出立刻收敛，像换了个人。

这个过程里没有人训练模型，也没有改任何设置。你只是给了它几个例子。

这就是 few-shot（少样本提示）。它的英文直译是「少样本学习」，但注意，它不是训练，不更新任何参数，本质上是把例子写进提示词里。今天这篇把它的来龙去脉讲清楚，最后给你什么时候用、怎么用的实操判断。

先说 zero-shot、one-shot、few-shot 三个词

这三个词出自同一篇论文，好东西是配对出现的，一起讲。

zero-shot（零样本）：只给任务描述，一个例子都不给。「把这句话翻译成英文」。
one-shot（单样本）：给一个例子。「参照这条已分类的记录，给新记录分类」。
few-shot（少样本）：给几个例子，一般两到十个。「这是三条已经分好类的记录，照着分下面这条」。

区分它们还有一个更直白的维度：解决同一个任务，你也可以用几百上千条数据去微调（fine-tuning）模型。few-shot 和微调的本质区别是改不改参数。few-shot 只改本次对话里的提示词，关掉窗口就结束；微调会真实改动模型权重，训练完就固化了。

源起：GPT-3 那篇论文

这个概念是 OpenAI 的 GPT-3 带火的。2020 年 5 月发布的论文 Language Models are Few-Shot Learners（arXiv 编号 2005.14165）里，GPT-3 只靠提示词里的几个示例，在翻译、问答、算术、乱序词还原这些任务上就拿到了和当时精调后模型相当的成绩。

Raffel 等人在 T5 论文（arXiv 1910.10683）里也做过验证：不用改参数，靠输入侧的格式和少量样本，模型就能在多种 NLP 任务上拿到接近精调的效果。

在 2020 年，这件事的冲击力在于：以前的 NLP 模型每做一个新任务，都要收集几千上万条标注数据再训练一轮。GPT-3 证明大模型可以不做这个，一张「提示词 + 示例」的说明卡就够了。这也是今天所有提示词工程的地基。

为什么加例子有效？

流行模型里现在主流的 Transformer 架构里有一种机制，能让模型对提示词里刚出现的内容做「临时照抄」，不需要长时间记忆。所以当你给出两类已分好类的样本，模型就能自动提取出分类维度，把新样本归到对应的那一类去。

举个真实场景：你要按内部流程给客服消息分类，在提示词里贴了两条已分类的历史工单，一条标「账号问题，转 A 流程」，一条标「其他投诉，转 Z 流程」。模型遇到新消息时，会自动对齐你给的分类维度，而不是自己发明一套标签。

还有一个细节很实用：格式比内容更重要。给定样本的格式，比如字段分隔、开头的方法名，模型会保持和样本一致而不是自创字段。所以写示例时结构要清晰，正确空行，字段命名和正式系统保持一致。

什么时候用：三种状态，对应不同打法

不用死记概念，用场景判断。

任务描述清楚，输出自由度大（写文案、解释概念、翻译），先用 zero-shot 试。这类任务模型见得太多，加例子收效少。例外是风格：需要特定口吻、特定结构时，一个真实的好例子胜过十段形容词式的要求。

任务有固定输出格式（分类、抽取、版本响应、改写成表格），few-shot 明显更稳。示例的存在让模型在格式上和自己「对齐」，而不是各任务之间的「自由发挥」。

任务本身有大量特殊性（高度定制的行业术语、内部流程、非公开的结构），few-shot 能撑，但撑不动就找微调。经验法则是：同一条提示词每天要用几百次，值得微调；偶尔用一次的，few-shot 就够。

怎么写例子才有效

几个实践中被反复验证的写法。

例子要覆盖有代表性的情况，尤其是边界 case。三个全是最简单的正面例子，模型遇到复杂情况就露馅。
格式必须自始至终一致。模型会优先抄例子，包括例子的错误。所以自己先把例子检查一遍。
保证例子的正确性。模型对例子里的错误很敏感，标注错了反而把模型带偏。
控制平衡数量，两到五个通常够用，例子每多加一个的效果都会递减，而上下文窗口和费用是实打实涨的。
想让它解释一下：给例子时连推理过程一起给（「这条是故障反馈，因为用户提到了崩溃」），效果比只给答案更好。这个思路的正式名字是思维链（CoT），2022 年 Google 的论文（arXiv 2201.11903）做过系统验证，值得单独写一篇。

一个能直接抄的模板

把上面的要点落成一个可复用的结构，按这个顺序写进提示词：

任务描述：一句话说明要做什么、输出格式是什么。
示例 1：输入 + 正确输出（带代表性）
示例 2：输入 + 正确输出（不同类别或边界情况）
（可选示例 3）
新输入：真实要处理的内容。

示例之间用统一的分隔符隔开，模型对结构的对齐比对文字的理解更直接。分类任务里，如果类别多，记得每个类别至少出现一个例子。

收个尾

few-shot 本质上是在向模型提供「任务说明书 + 表填好的样例」。给不给出样例，模型答不答得对、答得稳，差别确实存在。而这也正是提示词工程最有性价比的地方：不用训练，不加装任何东西，把例子写对就能做到。下次遇到模型输出不稳定，先别调 temperature，回头看看，你给了几个例子。