零样本与少样本提示
了解如何在不提供示例（零样本）的情况下引导模型生成回答，或通过提供少量示例（少样本）来实现这一目标
零样本与少样本提示 是 CoddyKit 上的免费 AI Prompt Engineering 课时。 这是第 2 节课，共 3 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 3 节课。
零样本与少样本简介
欢迎学习零样本和少样本提示词！这些是引导大型语言模型（LLM）执行任务的基础技巧。
理解这些技巧，有助于您从 AI 获得更出色、更精准的输出。
理解零样本提示词
零样本提示词指的是在不给 LLM 提供任何示例的情况下，直接交给它一个任务。
- 您完全依赖 LLM 经过预训练的知识。
- 提示词中只包含指令和输入数据。
- 对于 LLM 在训练期间很可能见过的简单、常见任务，这种方式非常有效。
零样本实践：分类
下面是一个零样本示例。我们要求 LLM 对文本情感进行分类，但没有向它展示任何之前的情感分类示例。
请尝试运行这个示例：
def call_llm_api(prompt):
# In a real scenario, this would call an LLM API.
# For this example, we simulate a response.
if "sentiment" in prompt.lower():
return "Sentiment: Positive"
return "LLM Response: Could not process."
# Our zero-shot prompt
zero_shot_prompt = "Classify the sentiment of 'The movie was fantastic!'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")零样本：提取信息
零样本提示词也非常适合从文本中提取特定信息。
我们只需告诉 LLM 要查找什么，它就会利用通用知识找到相关信息。
def call_llm_api(prompt):
if "name and age" in prompt.lower():
return "Name: Alice, Age: 30"
return "LLM Response: Information not found."
# Another zero-shot prompt example
zero_shot_prompt = "Extract the name and age from 'My name is Alice and I am 30 years old.'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")零样本的局限性
零样本提示词虽然功能强大，但也存在局限性：
- 歧义：有多种理解方式的任务可能产生不一致的结果。
- 新颖性：如果任务或概念非常新颖或属于小众领域，LLM 在没有示例的情况下可能难以应对。
- 复杂性：对于多步骤推理或高度具体的格式要求，仅靠指令可能不够。
介绍少样本提示词
少样本提示词通过直接在提示词中加入少量输入与输出示例，弥补了零样本的局限性。
- 这些示例会引导 LLM 理解所需的任务、风格或格式。
- 这就像先给学生展示几道解答好的题目，再让他们解答一道新题。
- 这种技巧能显著提升 LLM 在复杂或有歧义的任务上的表现。
少样本实践：改写
这里展示了如何将一个句子改写为主动语态的示例。这能帮助 LLM 理解我们想要的具体转换方式。
请注意这个示例如何使任务更加明确：
def call_llm_api(prompt):
if "active voice" in prompt.lower() and "ball was thrown" in prompt.lower():
return "Output: The boy threw the ball."
return "LLM Response: Could not rephrase."
# Our few-shot prompt with one example
few_shot_prompt = """Rephrase into active voice:
Input: The mouse was chased by the cat.
Output: The cat chased the mouse.
Rephrase into active voice:
Input: The ball was thrown by the boy."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output: {call_llm_api(few_shot_prompt)}")少样本：代码生成
少样本提示词对于生成代码或遵循特定输出格式非常有用。
通过展示所需代码的示例（例如函数签名和函数体），LLM 能更好地复现这种结构。
def call_llm_api(prompt):
if "function to add" in prompt.lower():
return "def add(a, b):\n return a + b"
return "LLM Response: Code not generated."
# Few-shot prompt for code generation
few_shot_prompt = """Generate a Python function:
Example 1:
Input: Function to multiply two numbers.
Output:
def multiply(a, b):
return a * b
Example 2:
Input: Function to add two numbers."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output:\n{call_llm_api(few_shot_prompt)}")选择合适的技巧
您应该如何在零样本和少样本之间做出选择？
- 零样本：最适合简单且定义明确的任务，此时 LLM 的通用知识已经足够。它更加简洁，还能节省令牌空间。
- 少样本：非常适合需要特定格式或风格的复杂、细致或定制任务。它能提供关键指导，提高准确性，但会使用更多令牌。
零样本与少样本检查
对于简单、定义明确且不需要特定示例的任务，通常哪种提示词技巧更合适？
回顾：提示词的力量
您已经学会了两种基础提示词技巧：
- 零样本提示词只使用指令，利用 LLM 广泛的知识处理简单任务。
- 少样本提示词在提示词中加入示例，为更复杂、细致或定制的输出提供关键指导。
掌握这些技巧，您就能更有效地与 LLM 互动，并获得期望的结果！
常见问题解答
「零样本与少样本提示」课时是免费的吗？
是的 — 「零样本与少样本提示」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 3 节课。
「零样本与少样本提示」这节课中我会学到什么？
了解如何在不提供示例（零样本）的情况下引导模型生成回答，或通过提供少量示例（少样本）来实现这一目标 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 AI Prompt Engineering 需要有经验吗？
无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 3 节。
「零样本与少样本提示」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 AI Prompt Engineering 课中编写并运行代码吗？
能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 了解 LLM 的能力
- 零样本与少样本提示
- 角色扮演与人格提示