AI专业术语
Few-shot
少样本学习 · 给 AI 看几个例子它就会了
Prompt EngineeringLLM
FEW-
- 定义
- Few-shot是AI领域的专业术语。Few-shot 是 Prompt Engineering 的核心技巧：在提示词中给 LLM 几个输入-输出的示例，模型就能学会任务模式并应用到新输入上。
最后更新：2026-03-18
什么是Few-shot？
Few-shot 是 Prompt Engineering 的核心技巧：在提示词中给 LLM 几个输入-输出的示例，模型就能学会任务模式并应用到新输入上。通常 3-5 个示例就能显著提升输出质量。
- 通常 3-5 个示例就够，不需要训练
- 示例的质量和多样性比数量更重要
- Zero-shot（无示例）→ Few-shot（少量示例）→ Fine-tuning（大量数据）
Few-shot详解
Few-shot Learning 是 GPT-3 论文的核心贡献之一，展示了大模型通过少量示例就能学习新任务的能力。在实践中，Few-shot 的效果取决于示例的选择：示例应覆盖不同的边界情况、格式要一致、且与目标任务相关。Few-shot 的优势是不需要训练，即时生效；局限是上下文窗口有限，示例太多会挤占输入空间。
Few-shot的应用场景
正式定义
在提示词中提供少量输入-输出示例来引导模型学习任务模式的技术
应用场景
- 结构化数据提取
- 文本分类和情感分析
- 特定格式的内容生成
常见误区
- Few-shot 不是训练，模型没有真正学习，只是模式匹配
- 示例的顺序可能影响结果
- Few-shot 对简单任务效果好，复杂推理可能需要 CoT
实际案例
📌 Few-shot 分类任务
给 LLM 3 个情感分类示例后，模型在新文本上的分类准确率从 Zero-shot 的 70% 提升到 92%，接近 Fine-tuning 的效果。
Few-shot的参考来源
- 论文Language Models are Few-Shot LearnersOpenAI · 2020-05
- 社区
关于Few-shot的常见问题
- Few-shot 和 Zero-shot 有什么区别
- Zero-shot 不给示例直接提问，Few-shot 在提示中给几个输入-输出示例帮助模型理解任务格式和期望。
- Few-shot 需要给几个示例
- 通常 2-5 个即可，示例要有代表性且格式一致，过多示例会占用上下文窗口。