StudyAI8

第 5 节 / 共 14 节

2.2 少样本提示

📌 本节目标

学完本节，你将理解“少样本提示”的核心思想：通过给模型提供少量高质量示例，显著提升其在具体任务上的表现。你将能够独立设计有效的示例格式，并掌握如何通过示例“教”模型完成翻译、分类、总结等任务，而无需训练模型。

1. 核心概念讲解

什么是少样本提示？

简单来说，少样本提示就是在你的提问中，附上几个输入和输出的例子，让模型“照猫画虎”。你不需要告诉模型规则，而是通过例子让它自己领悟模式。

  • 零样本提示：直接提问，不给例子。例如：“把这句话翻译成英文：今天天气真好。”
  • 少样本提示：先给 2-3 个例子，再提问。例如：“下面是一些翻译例子。请把最后一句翻译成英文。”

为什么有效？

大型语言模型在训练时读过海量数据，它们天生具备“模式匹配”能力。当你提供几个高质量的例子时，模型会将这些例子视为一种“上下文约束”，从而更准确地理解你期望的输出格式、风格和细节。

比如：

假设你想让模型将中文句子翻译成优雅的、书面化的英文。

  • 零样本：模型可能翻译成“The weather is really good today.”（口语化）
  • 少样本：你提供 2 个例子，展示你想要的风格：
示例1：
中文：夕阳染红了半边天。
英文：The setting sun painted the sky a brilliant crimson.

示例2：
中文：他的演讲深深打动了在场的每一个人。
英文：His speech profoundly moved everyone present.

现在请翻译：
中文：这本书改变了我对世界的看法。

模型看到例子后，大概率会输出类似风格的译文，例如：“This book transformed my perspective on the world.”

核心公式：

少样本提示 = 任务描述 + 示例列表 (输入-输出对) + 新的输入

其中，“示例列表”通常包含 2 到 5 个例子。太少可能不够，太多可能超出上下文窗口或引入噪音。

技术实现（伪代码）：

# 伪代码：构建少样本提示
def build_few_shot_prompt(task_description, examples, new_input):
    prompt = task_description + "\n\n"
    for i, (input_text, output_text) in enumerate(examples, 1):
        prompt += f"示例{i}:\n输入: {input_text}\n输出: {output_text}\n\n"
    prompt += f"现在请完成:\n输入: {new_input}\n输出:"
    return prompt

# 使用示例
examples = [
    ("今天天气真好。", "The weather is lovely today."),
    ("他跑得很快。", "He runs very fast.")
]
prompt = build_few_shot_prompt(
    "请将以下中文翻译成自然的英文。",
    examples,
    "这本书很有趣。"
)
print(prompt)
# 输出:
# 请将以下中文翻译成自然的英文。
#
# 示例1:
# 输入: 今天天气真好。
# 输出: The weather is lovely today.
#
# 示例2:
# 输入: 他跑得很快。
# 输出: He runs very fast.
#
# 现在请完成:
# 输入: 这本书很有趣。
# 输出:

2. 深入理解

原理：为什么少样本提示能“教”会模型？

模型本身并没有“学会”新规则，它只是利用上下文中的模式进行模式补全。你可以把模型看作一个极其强大的“续写引擎”。当你给了一组输入-输出对，模型会认为你需要它延续这种“映射关系”。因此，示例的质量直接决定了输出的质量。

初学者常见误区：

| 误区 | 正确做法 | 错误示例 | |------|----------|----------| | 示例太少或太随意 | 至少提供 2 个精心挑选的例子，覆盖常见情况 | 只给 1 个例子，且例子非常特殊 | | 示例格式不统一 | 保持每个示例的输入和输出格式完全一致 | 第一个示例输出是句子，第二个示例输出是短语 | | 示例与目标任务不匹配 | 示例的难度、风格、领域应与最终输入一致 | 示例都是简单句子，最终输入是复杂长文 | | 忘记加任务描述 | 在示例前加一句明确的任务说明 | 直接扔例子，模型不确定你要做什么 |

何时使用少样本提示？

  • 任务有明确的输入输出格式（翻译、分类、格式化、改写）
  • 你对输出风格有特定要求（正式、幽默、简洁）
  • 零样本效果不佳，且你无法或不想微调模型

何时不适合？

  • 任务极其简单且零样本已经完美（没必要增加 token 消耗）
  • 示例数量超过 10 个仍无改善（考虑换方法或微调）
  • 示例本身可能包含错误或偏见

3. 实战演示

场景： 将中文句子翻译成正式、礼貌的英文邮件用语。

步骤 1：确定任务描述

我们需要明确告诉模型做什么。这里我们写：“请将以下中文句子翻译成正式、礼貌的英文，适合用于商务邮件。”

步骤 2：准备 3 个高质量示例

示例要体现“正式、礼貌”的风格，且覆盖不同场景。

示例1：
中文：感谢您的及时回复。
英文：Thank you for your prompt reply.

示例2：
中文：请问您方便在下周三之前确认吗？
英文：Would it be possible for you to confirm by next Wednesday?

示例3：
中文：期待您的进一步指导。
英文：I look forward to your further guidance.

步骤 3：构建完整提示并测试

将任务描述、示例和新输入组合起来。

完整提示：

请将以下中文句子翻译成正式、礼貌的英文，适合用于商务邮件。

示例1：
中文：感谢您的及时回复。
英文：Thank you for your prompt reply.

示例2：
中文：请问您方便在下周三之前确认吗？
英文：Would it be possible for you to confirm by next Wednesday?

示例3：
中文：期待您的进一步指导。
英文：I look forward to your further guidance.

现在请翻译：
中文：我们会在收到付款后立即安排发货。

步骤 4：观察输出

模型生成的输出大概率会是：

英文：We will arrange shipment immediately upon receipt of payment.

注意：“立即”被翻译成 “immediately upon”，而不是 “right after”，体现了正式风格。“安排发货”用了 “arrange shipment”，而不是 “send out”，也更符合商务语境。

步骤 5：对比零样本效果

如果只用零样本提示：“翻译成英文：我们会在收到付款后立即安排发货。” 模型可能输出：“We will arrange shipment as soon as we receive payment.” 这句话没错，但稍显口语化，不如少样本版本正式。

完整代码示例（Python + OpenAI API 风格）：

import openai  # 假设已配置好 API key

def translate_with_few_shot(text):
    prompt = """请将以下中文句子翻译成正式、礼貌的英文，适合用于商务邮件。

示例1：
中文：感谢您的及时回复。
英文：Thank you for your prompt reply.

示例2：
中文：请问您方便在下周三之前确认吗？
英文：Would it be possible for you to confirm by next Wednesday?

示例3：
中文：期待您的进一步指导。
英文：I look forward to your further guidance.

现在请翻译：
中文：""" + text + "\n英文："

    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3  # 低温度确保输出稳定
    )
    return response.choices[0].message.content.strip()

# 测试
result = translate_with_few_shot("我们会在收到付款后立即安排发货。")
print(result)
# 输出: We will arrange shipment immediately upon receipt of payment.

4. 关键要点

  • 示例质量 > 示例数量：3 个精心挑选的例子远好于 10 个随意例子。
  • 格式一致性至关重要：每个示例的输入和输出结构必须完全对齐，模型才能准确识别模式。
  • 任务描述不可省略：即使有示例，也要用一句话明确告诉模型你要它做什么。
  • 示例应覆盖典型场景：避免只选极端或边缘情况，确保示例代表常见输入。
  • 测试并迭代：先测试零样本，再尝试少样本，如果效果仍不佳，调整示例内容或增加数量。

✏️ 练习任务

基础任务：为翻译任务提供 3 个示例并测试效果

  1. 任务：请设计一个少样本提示，用于将中文日常对话翻译成 简洁、口语化的英文（适合短信或聊天）。你需要自己准备 3 个示例，然后测试以下新输入：

    • 新输入：“我马上到，等我一下。”
    • 期望输出风格：简短、自然，例如 “I'm almost there, hold on.”（注意不要翻译成 “I will arrive soon, please wait for me.” 这种正式表达）

  2. 步骤提示：

    • 先写任务描述：“请将以下中文翻译成简洁、口语化的英文，适合日常聊天。”
    • 准备 3 个示例，例如：
      • 中文：“你吃饭了吗？” → 英文：“Did you eat?”
      • 中文：“今天好累啊。” → 英文：“I'm so tired today.”
      • 中文：“周末一起看电影？” → 英文：“Wanna catch a movie this weekend?”
    • 然后输入新句子，观察输出是否符合“口语化”风格。

进阶挑战（选做）：

  1. 将上述任务改为反向翻译：将英文口语翻译成中文口语。你只需要翻转示例中的输入和输出角色，并调整任务描述。测试新输入：“I'm running late, don't wait for me.” 期望输出应为中文口语，如 “我迟到了，别等我。”

💡 下一节我们将学习链式提示——如何将多个提示步骤串联起来，解决更复杂的任务。你将学会如何像搭积木一样组合提示，让模型一步步思考。

本节由 StudyAI8 AI 课程团队生成并审核。

上一节下一节