提示词工程Zero-Shot、One-Shot、Few-Shot

Zero-Shot、One-Shot、Few-Shot 主要归属于提示词工程1. Zero-Shot零样本学习不提供任何示例直接问直接答出整个问题。一步到位含义模型直接根据给定的指令或问题生成回答不提供任何示例。它完全依赖预训练时学到的知识和指令理解能力。针对对象适用于模型已经具备相关知识的通用任务如翻译、摘要、分类、问答等。测试的是模型的泛化能力和指令遵循能力。2. One-Shot单样本学习给出一个例子然后给出问题让他模仿着回答教一下一步到位含义在给出指令或问题后提供一个完整的输入-输出示例然后让模型对新的输入进行类似处理。针对对象适用于需要明确输出格式、风格或解决特定类型的问题但获取大量示例成本较高或不便的场景。通过一个例子让模型“照葫芦画瓢”。3. Few-Shot少样本学习——提供多个案例然后让模型回答一步到位含义在指令后提供少量通常为3-5个输入-输出示例然后让模型处理新的输入。针对对象适用于任务相对复杂或模糊仅靠指令或一个例子不足以明确边界的情况。多个示例能更好地定义任务引导模型输出更稳定、更符合期望的结果。思维链​ (CoT / Chain-of-Thought Prompting)——也是一种提示词技术即让模型一步步思考而不是直接给出答案这有利于改进ReAct的思考方式让其结果更好思维链​ 是一种提示技术它通过要求大语言模型在给出最终答案前先输出其一步步的推理过程来显著提升模型在复杂推理任务如数学问题、逻辑推理、常识问答上的表现。一个经典例子 标准提问​ “一个市场有23个苹果用掉了20个又买了6个现在有多少个” 模型可能直接回答​ “6个” 错误 思维链提问​ “一个市场有23个苹果用掉了20个又买了6个现在有多少个让我们一步步思考。” 模型回答​ “首先最初有23个苹果。用掉20个后剩下 23 - 20 3个苹果。然后又买了6个所以现在有 3 6 9个苹果。所以答案是9。他可以告诉大模型如何去思考。ReAct主要归属于RAG领域4. ReActReason Act 推理与行动思考-行动 -观察-思考-行动-观察。。。 循环过程直到自己将问题一个个拆解回答完整。含义一种让模型交替进行“推理”和“行动”​ 的框架。模型会生成思考链Reason然后决定是否需要采取行动Act例如调用搜索工具、计算器或代码解释器来获取外部信息最终综合所有信息给出答案。针对对象针对需要多步骤推理、知识实时更新或依赖外部工具和计算的复杂任务。例如回答需要最新数据的问题、解决复杂数学问题、进行深度分析等。它解决了模型固有知识陈旧和复杂计算能力有限的问题。一个具体案例回答需要最新信息的问题 用户问题“特斯拉2025年最新发布的车型是什么它的主要亮点有哪些” 一个可能的ReAct执行轨迹 思考用户问的是特斯拉2025年的最新车型。我的知识截止到2023年无法直接回答。我需要查找特斯拉2025年的新车发布信息。 行动[搜索] 特斯拉 2025 年 新车 发布 观察搜索结果显示特斯拉在2025年发布了新款Model 3 Performance并提到了“狂暴模式”和续航提升。 思考我找到了车型名称。但用户还问了“主要亮点”。我需要更详细的官方信息来总结亮点。 行动[搜索] 特斯拉 Model 3 Performance 2025 亮点 官方 观察官方新闻稿列出了具体亮点0-60mph加速2.9秒续航提升至340英里全新赛道模式。 思考现在我已经掌握了车型名称和核心亮点信息足够回答用户的问题了。 最终答案特斯拉2025年最新发布的车型是新款Model 3 Performance。其主要亮点包括1) 性能搭载“狂暴模式”0-60英里加速仅需2.9秒2) 续航EPA标准下续航里程提升至340英里3) 驾驶体验新增专属赛道模式提供更极致的操控调校。技术名称核心概念典型应用场景简单示例少样本提示Few-Shot / K-Shot Prompting提供 K 个输入 - 输出示例让模型学习任务范式与输出格式提升小样本任务表现文本分类、实体抽取、风格迁移、代码生成示例 1输入 “今天天气真好”→情感积极示例 2输入 “真倒霉”→情感消极示例 3输入 “有点累”→情感思维链CoT / Chain-of-Thought Prompting要求模型分步推理先展示思考过程再给出最终答案解决复杂逻辑 / 数学问题数学应用题、逻辑推理、方案拆解、复杂决策分析请一步步分析某商品原价 100 元先涨价 10% 再降价 10%最终价格是多少零样本思维链Zero-Shot CoT无示例情况下通过自然语言指令引导模型自主分步推理适配零样本场景陌生领域问答、简单逻辑推导、基础计算题请先分步思考再回答一个正方形边长为 5cm它的周长和面积分别是多少自洽性Self-Consistency让模型对同一问题生成多条推理路径投票选择最一致的答案降低随机误差多选推理、数学证明、方案择优、复杂问答请用 3 种不同思路推导这道几何题最终给出共识结论由简至繁 / 最少到最多Least-to-Most / LtM先解决简单子问题逐步推进到复杂核心问题拆解复杂任务难度长文档问答、复杂代码调试、多步骤规划、层级化分析先分析该文档的核心主题再基于主题拆解关键论点最后总结核心观点思维树ToT / Tree of Thoughts将问题拆解为多分支推理路径像树状结构一样探索不同可能性择优推进创意写作、复杂博弈、方案优化、多目标决策围绕 “科技产品营销”从文案、渠道、活动三个分支构思不同方案再筛选最优路径推理 行动ReAct / Reason Act融合推理与行动步骤模型先思考再执行具体操作衔接知识与实际操作智能体交互、任务自动化、API 调用、实时信息查询请先思考需要查询的信息再执行搜索操作最后基于搜索结果回答问题程序思维PoT / Program of Thought引导模型用编程 / 伪代码的方式分步解决问题将逻辑推理转化为可执行的程序步骤复杂数值计算、算法实现、数据统计分析、流程模拟请用 Python 伪代码实现计算 1 到 100 的累加和并输出结果反思Reflexion让模型对输出结果进行自我反思、纠错与优化提升答案的准确性与完整性写作润色、代码调试、答案校对、方案复盘请先检查这段代码的逻辑漏洞反思错误原因再给出修正后的代码提示链接 / 链Prompt Chaining将复杂任务拆解为多个子提示按顺序依次执行前序输出作为后序输入长文创作、多轮信息整合、复杂任务流水线、分步优化第一步提炼核心观点第二步基于观点撰写大纲第三步根据大纲扩展成完整文章生成知识提示Knowledge Generation Prompting引导模型先生成任务所需的背景知识 / 辅助信息再基于生成的知识完成目标任务知识匮乏领域问答、创意内容创作、专业领域方案设计请先生成关于 “新能源汽车” 的核心技术知识点再基于这些知识点撰写产品介绍文案系统提示 / 角色设定System Prompting / Role Prompting在对话开头设定模型的身份、职责、风格与约束统一模型输出基调定制化客服、专业领域顾问、风格化写作、固定场景交互你是一名资深互联网产品经理负责撰写产品需求文档语言需专业、逻辑清晰严格遵循 PRD 格式结构化输出 / 格式化Structured Output强制模型按指定格式JSON、表格、列表、步骤等输出适配数据对接 / 标准化需求API 数据对接、数据提取、报告生成、简历结构化解析请以 JSON 格式输出以下信息姓名、求职意向、核心技能、项目经验包含项目名称、职责、成果参考(24 封私信 / 80 条消息) 轻松搞懂 Zero-Shot、One-Shot、Few-Shot - 知乎