第4章：少样本与上下文
有时候，仅仅告诉 AI "做什么"还不够，你需要告诉它"怎么做"。本章将教你如何通过提供示例（少样本学习）和背景信息（上下文），让 AI 精准理解你的意图。
4.1 零样本（Zero-shot）
零样本学习是指不给 AI 任何示例，直接提出问题或任务。这是最基础的交互方式，也是你在使用 ChatGPT 等工具时最常用的方式。
零样本示例
请将以下句子翻译成英文：
"今天天气真好，我想去公园散步。"零样本学习的优点：
- ✅ 简单快捷，不需要准备示例
- ✅ 适合通用、标准化的任务
- ✅ 适用于 AI 已经训练得很充分的领域
零样本学习的局限：
- ❌ 对于特殊格式或风格要求，可能输出不符合预期
- ❌ 需要多次尝试才能得到满意结果
- ❌ 难以控制输出的具体形式
💡 经验法则：如果零样本能得到满意的结果，就不需要使用少样本。但当零样本的效果不佳时，少样本学习是提升质量的有效手段。
4.2 少样本（Few-shot）
少样本学习（Few-shot Learning）是指在提示词中提供 1-3 个示例，让 AI 通过观察这些示例来理解你想要的输出格式、风格和规则。
少样本示例：情感分析
请判断以下句子的情感倾向（正面/负面/中性）：
示例1：
输入：这部电影真的太精彩了，强烈推荐！
输出：正面
示例2：
输入：产品质量一般，没有什么特别的。
输出：中性
示例3：
输入：等了两个小时，服务态度还很差，太失望了。
输出：负面
现在请判断：
输入：虽然价格有点贵，但是物有所值，包装也很精美。
输出：为什么少样本有效？
少样本学习之所以有效，是因为 AI 模型具有以下特性：
| 机制 | 说明 | 效果 |
|---|---|---|
| 模式识别 | AI 会从示例中提取输入和输出之间的对应关系 | 学会任务规则，应用到新输入 |
| 风格模仿 | AI 会学习示例的语气、用词和表达方式 | 输出风格与示例保持一致 |
| 格式复制 | AI 会观察输出的结构和格式 | 遵循相同的格式规范 |
🎯 核心原理：少样本学习实际上是在做"类比推理"——AI 根据你提供的"类似情况"，推断出"这种情况"应该怎么处理。
4.3 如何构造少样本示例
构造有效的少样本示例是一门艺术，以下是几个关键原则：
4.3.1 输入→输出的配对
每个示例都应该清晰地展示"给定什么输入，应该产生什么输出"：
标准格式
示例N：
输入：[具体的输入内容]
输出：[期望的输出内容]你也可以根据需要使用其他标签，如：
问题：→答案：原文：→改写：用户：→回复：
4.3.2 示例要典型
选择的示例应该具有代表性，能够覆盖主要的场景和边界情况：
好的示例设计
任务：将客户的非正式反馈转换为正式的客服回复
请将以下客户的非正式反馈转换为正式的客服邮件：
示例1（标准情况）：
输入：东西收到了，还不错
输出：尊敬的客户，感谢您购买我们的产品。很高兴得知您
对商品满意，如有任何需要，欢迎随时联系我们。
示例2（负面反馈）：
输入：这个颜色和图片差太多了，我要退货
输出：尊敬的客户，非常抱歉给您带来了不好的购物体验。
关于您反映的颜色差异问题，我们深表歉意。您可以申请
退货退款，具体操作流程如下：...
示例3（需要补充信息）：
输入：什么时候能发货？
输出：尊敬的客户，感谢您的咨询。您的订单预计将于
[日期]发货，快递单号为[单号]，您可以通过[链接]查询
物流信息。如有其他问题，欢迎随时联系客服。4.3.3 示例之间用分隔符区分
使用清晰的分隔符可以让 AI 更好地区分不同示例：
使用分隔符
---
示例1：
输入：...
输出：...
---
示例2：
输入：...
输出：...
---4.3.4 示例数量的选择
| 样本数 | 名称 | 适用场景 |
|---|---|---|
| 1个 | One-shot | 简单任务，格式明确的情况 |
| 2-3个 | Few-shot | 大多数任务，推荐数量 |
| 5+个 | Many-shot | 复杂任务，需要展示多样性的情况 |
💡 建议：对于一般任务，2-3 个示例通常效果最好。过多的示例会增加 token 消耗，且收益递减。
4.4 少样本完整示例
下面提供几个实际可用的完整示例，你可以直接复制修改使用。
示例1：非正式语言转正式邮件
提示词
请将以下句子转换为正式邮件用语：
示例1：
输入：老板，明天我要请假
输出：尊敬的领导，您好！因个人原因，我想申请明天（[日期]）
一天的假期。手头的工作已安排妥当/已与同事交接，期间如有
紧急事项，您可以通过电话联系我。望批准，谢谢！
示例2：
输入：客户说要退货
输出：关于您提出的退货需求，我们已收到并会尽快处理。请您
提供订单号，我们将安排快递员上门取件。退款将在收到退货后
3-5个工作日内原路退回。如有任何疑问，欢迎随时联系客服。
示例3：
输入：会议改到下午3点
输出：各位同事，原定于上午的会议现调整至今天下午3点举行，
地点不变。请大家知悉并准时参加。如时间冲突无法参会，
请提前告知。谢谢配合！
现在请转换：
输入：这个方案不行，重做示例2：文本风格转换
提示词
请将以下文字转换为幽默风趣的风格：
示例1：
原文：今天下雨了，我没带伞
转换：天空突然开启了"泼水模式"，而我，一个自信满满的
"免伞星人"，此刻正接受着大自然免费的全方位淋浴服务。
示例2：
原文：这个项目 deadline 快到了，我们要加班
转换：命运的齿轮开始转动，deadline 这个老朋友又来敲门了。
看来今晚要和办公室的灯光来一场浪漫的约会了～
示例3：
原文：网速很慢，视频加载不出来
转换：这网速仿佛在重温拨号上网时代的优雅与从容，视频
加载的进度条像是在进行一场马拉松，而我，只能静静地
做一名合格的观众。
现在请转换：
原文：早上闹钟没响，我迟到了示例3：数据格式转换
提示词
请将以下自然语言描述转换为 JSON 格式：
示例1：
输入：张三，男，28岁，软件工程师，月薪15000
输出：
{
"name": "张三",
"gender": "男",
"age": 28,
"occupation": "软件工程师",
"salary": 15000
}
示例2：
输入：苹果iPhone 15，价格5999元，库存100台，颜色有黑色、白色、蓝色
输出：
{
"product": "苹果iPhone 15",
"price": 5999,
"currency": "CNY",
"stock": 100,
"colors": ["黑色", "白色", "蓝色"]
}
现在请转换：
输入：北京市朝阳区建国路88号，张三收，邮编100000，
电话138001380004.5 上下文学习技巧
除了示例，提供适当的上下文信息也能显著提升 AI 的表现。上下文学习（In-context Learning）是指在提示词中加入背景信息、相关文档或历史记录。
4.5.1 提供背景文档
当任务涉及特定领域的知识时，提供相关文档可以让 AI 更准确：
背景文档示例
请根据以下公司规章制度，回答员工的问题。
【公司请假制度】
1. 事假：需提前3天申请，每年不超过10天
2. 病假：需提供医院证明，带薪3天/月，超出按事假处理
3. 年假：入职满1年享有5天，满5年享有10天
4. 婚假：10天，需提前1个月申请并提供证明
5. 丧假：3天，直系亲属去世
员工提问：我刚入职半年，下周要结婚，能请几天假？4.5.2 提供历史对话
在多轮对话中，提供之前的对话记录可以保持连贯性：
历史对话示例
以下是我之前和您的对话：
用户：我想买一台笔记本电脑，主要用于编程
AI：推荐考虑 MacBook Pro 或 ThinkPad X1 Carbon，
都有很好的键盘和性能。
用户：MacBook 会不会太贵了？
AI：确实价格较高，入门款 M3 MacBook Air 9999元起。
如果预算有限，可以考虑联想小新 Pro，性价比更高。
基于以上对话，请回答：
用户：小新 Pro 续航怎么样？4.5.3 提供相关数据
对于数据分析类任务，直接提供数据可以获得更准确的结果：
数据分析示例
请根据以下销售数据，分析各产品线的表现：
【2024年第一季度销售数据】
产品A：销售额 120万，销量 3000件，退货率 2%
产品B：销售额 80万，销量 2000件，退货率 5%
产品C：销售额 200万，销量 1500件，退货率 1%
产品D：销售额 60万，销量 4000件，退货率 8%
请分析：
1. 各产品线的表现如何？
2. 有哪些值得关注的问题？
3. 给出改进建议。4.6 高级技巧
4.6.1 负样本示例
除了展示"应该怎么做"，有时也需要展示"不应该怎么做"：
负样本示例
请将以下句子改写得更加简洁，以下是示例：
正确示例：
输入：由于天气原因，原定于明天的户外活动将延期举行
输出：明天户外活动因天气延期
错误示例（不要这样写）：
输入：由于天气原因，原定于明天的户外活动将延期举行
输出：因为天上下雨了，所以明天的活动不办了
（错误原因：过于口语化，信息不完整）
现在请改写：
输入：鉴于当前的市场形势，公司决定推迟新产品的发布计划4.6.2 思维链示例
对于需要推理的任务，展示思考过程会很有帮助：
思维链示例
请解决以下数学问题，并展示思考过程：
示例：
问题：小明有15个苹果，给了小红5个，又买了8个，还剩几个？
思考：
1. 小明原有15个苹果
2. 给了小红5个后，剩下 15 - 5 = 10个
3. 又买了8个，现在有 10 + 8 = 18个
答案：18个
现在请解决：
问题：一个长方形长12厘米，宽8厘米，它的面积是多少？
如果周长增加10厘米，长不变，新的宽是多少？4.6.3 组合使用角色设定和少样本
将第3章和第4章的技巧结合使用，效果更佳：
组合技巧
你是一位资深的文案编辑，擅长将复杂的商业语言转换为
通俗易懂的内容。请参考以下示例风格：
示例1：
原文：本公司致力于为客户提供优质的产品和服务
改写：我们只想做一件事：让好产品走进千家万户
示例2：
原文：该解决方案可显著提升企业运营效率
改写：用了这套方案，效率提升肉眼可见
现在请改写：
原文：通过数字化转型，企业可以实现降本增效的目标4.7 常见错误与解决方法
| 常见错误 | 问题表现 | 解决方法 |
|---|---|---|
| 示例不一致 | AI 的输出风格不统一 | 检查示例之间是否存在矛盾，确保格式一致 |
| 示例太少 | AI 没有学会正确的模式 | 增加示例数量，特别是复杂任务 |
| 示例过于简单 | 遇到复杂输入时表现不佳 | 示例应涵盖不同难度和场景 |
| 上下文过长 | 超出 token 限制或干扰理解 | 精简上下文，保留关键信息 |
| 最后示例不完整 | AI 没有输出或输出异常 | 确保最后一个示例在"输入："处结束，让 AI 补全输出 |
⚠️ 注意：在最后一个示例中，你应该在"输入："后面停止，让 AI 来补全"输出："部分。如果你在示例中就写了"输出："，AI 可能会认为这是另一个完整示例的开始。
4.8 实战练习
🎯 练习：为以下任务设计少样本提示词
-
任务1：关键词提取
从文章中提取3-5个关键词。请设计2-3个示例。示例输入："人工智能正在改变我们的生活方式，从智能家居到自动驾驶，AI技术无处不在。"
-
任务2：语气判断
判断客户留言的语气是"满意"、"抱怨"还是"咨询"。请设计示例覆盖三种情况。 -
任务3：代码注释
为 Python 函数添加中文文档字符串。请设计包含简单函数和复杂函数的示例。
本章小结
📝 核心要点回顾
- 零样本适合简单任务，少样本适合需要控制格式或风格的任务
- 构造少样本示例时，要注意输入输出配对、典型性、分隔符
- 一般使用 2-3 个示例效果最好，称为 Few-shot Learning
- 上下文学习通过提供背景文档、历史对话、相关数据来提升效果
- 可以组合使用角色设定 + 少样本，获得更好的输出质量
🎯 学习建议
少样本学习是一种"授人以渔"的技巧——你不是在告诉 AI 每一步怎么做，而是在展示"什么样的输入对应什么样的输出"。多加练习，你会越来越擅长设计有效的示例。