课程大纲 第 124 课,共 250 课 · 面向 AI 工程师的提示词工程
面向 AI 工程师的提示词工程

零样本与少样本:什么时候给出示例

零样本意味着你只描述任务。少样本意味着你还在真正的输入之前贴上几个做好的示例。少样本通常能提高质量,但每一次调用都要花费词元和延迟,所以它是一个判断,而不是条件反射。

在生产环境里站得住脚的规则:

  • 如果你没有可以展示的示例,那么按定义你就是零样本。没什么可加的。
  • 如果任务需要一种特定的输出格式(一个精确的 JSON 形状,一组固定的标签),示例是把它定下来最便宜的方式。用少样本。
  • 如果任务是一种描述很难捕捉的模糊模式(语气、边界情况的分类、风格),示例比文字教得更好。用少样本。
  • 否则,一条清楚的指令就够了。保持零样本,省下词元。

为了建立直觉,一个少样本块只是把示例叠在查询前面:

Classify the sentiment.
Text: I love it -> positive
Text: total waste -> negative
Text: it is fine -> ?

你要写的是选择策略的决策层。构建 choose_strategy(task),其中 task 是一个字典,带有 n_examples_available(一个 int)、needs_specific_format(一个 bool)和 is_fuzzy_pattern(一个 bool)。返回字符串 "zero-shot" 或 "few-shot"。

顺序很重要:没有示例就总是零样本,即使其他标志为真也一样,因为你确实没有东西可以展示。只有当示例存在时,格式和模糊性这两个标志才会把你推向少样本。按 Run 评分。

轮到你了

写 choose_strategy(task),根据一个带有 n_examples_available(int)、needs_specific_format(bool)、is_fuzzy_pattern(bool)这几个键的字典,返回 "zero-shot" 或 "few-shot"。如果没有可用的示例,就总是返回 "zero-shot"。否则,当任务需要特定格式或是一种模糊模式时返回 "few-shot",两者都不是时返回 "zero-shot"。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。