什么是零样本与少样本学习？怎么用

三档各是什么

同一个任务，你什么都不给、给一个例子、给十个例子，AI 的表现会完全不同。这三个档次就是零样本、少样本和常规训练。零样本（zero-shot）是直接描述任务让它做，不给任何示例；少样本（few-shot）是给两三个示例，让它照着做；常规训练则是用成千上万条样本去调整模型参数。

三者有个关键区别：零样本和少样本都发生在一次对话里，模型本身的参数不变，你只是通过提示词改变了它的输出；常规训练才真正改动了模型。理解这一点，你就知道前两者是用法，后者是训练。

为什么给例子比给解释更有效

描述要求很难说全：格式、语气、边界处理方式、对例外情况的把握，单靠一句话常常讲不清楚。而一个例子能同时传递这些隐含信息，它展示的不只是结果，还有结果是怎么来的。对 AI 来说，示例往往比长段解释更直接。

视频生成里也有类似的思路：用首尾帧控制起止画面，就是给模型更明确的约束，而不是写一大段画面描述。给条件、给例子，常常比给解释更管用。

三档怎么选

任务简单、要求明确时，零样本就够了，比如把这段翻译成英文。当任务有格式或风格要求时，给两三个例子，走少样本。当要求高、量大、需要长期固化时，才考虑用数据做微调或训练。选择的核心标准是：你要求里有多少说不清的隐性信息。

在客服意图识别这类场景里，如果模型对某条消息的置信度不高，通常要转人工处理，这和给不给例子是两件事，一个是提示词技巧，一个是系统兜底设计。

举个少样本的例子：你想让 AI 把一段话改写成公告语气。零样本时，它可能写得偏口语；给两个例子，一个把请求改成通知、一个把提醒改成公告，它就能照着这两个样本对齐语气和格式。例子越接近你的真实输入，效果越稳。

用好少样本的三个要点

其一，例子要对：示例里的错误会被照着学，一条错误示例的破坏力，常常超过三条正确示例的价值。其二，覆盖主要情况：把你实际会遇到的典型情形都放进去，别只挑最顺的那种。其三，格式统一：示例和待处理内容的格式要保持一致，模型才能对齐。

示例太多会怎样

少样本并不是越多越好。示例过多会占满上下文窗口，反而挤占真正要处理的内容，效果递减。三个精心挑选的例子，往往好过十个随意的例子。当上下文被占满时，模型可能记不住靠前的示例，甚至把示例当成待处理内容的一部分，效果不升反降。

这也是一条边界：少样本的价值在于用少量示例传递关键信息，一旦示例质量下降或数量失控，它就退化成噪音。这有点像视频生成里的抽卡，靠数量堆并不等于靠质量取胜，成本上去了，结果未必更好。

零样本也不是万能的：一旦任务里藏着大量没写出来的约定，比如特定的标签体系、固定的栏目结构，模型只靠一句描述很难猜中。这时候补一两个例子，往往比反复改提示词更省事。

一张速查表：三档怎么用

• 零样本：不给示例，直接描述任务
• 少样本：给两三个示例，让模型照着做
• 常规训练：成千上万条样本，真正改参数

零样本和少样本是每个用 AI 的人都能立刻上手的方法：先想清楚任务里有多少说不清的要求，再决定要不要给例子、给几个例子。这个判断本身，就是用好大模型的起点。