卷首语：我所知的是我自己非常无知，所以我要不断学习。
写给AI入行比较晚的小白们（比如我自己）看的，大神可以直接路过无视了。
少样本提示
少样本提示（Few-shot Prompting）是一种在与 AI 模型交互时使用的技术，指的是在提示中提供少量示例，以帮助模型更好地理解任务的上下文和期望的输出格式。这种方法通常用于需要模型生成特定类型响应的场景，尤其是在模型的训练数据中可能没有覆盖到的情况下。
少样本提示例子
在使用GPT等大模型时候，我们可以使用的少样本提示，以下是几个例子：
示例 1：文本分类
提示：请根据以下示例将句子分类为“积极”、“消极”或“中立”：
1. “这部电影真是太棒了！” - 积极
2. “我对这次旅行感到失望。” - 消极
3. “天气不错。” - 中立现在，请分类以下句子：“这款手机的性能非常好。”输出：积极示例 2：问答
提示：以下是一些问题及其答案：
1. 问：什么是黑洞？ 答：黑洞是宇宙中一种引力极强的天体，连光都无法逃脱。
2. 问：什么是人工智能？ 答：人工智能是计算机科学的一个分支，旨在创建能够执行通常需要人类智能的任务的系统。请回答以下问题：“什么是机器学习？”输出：机器学习是人工智能的一个子领域，涉及通过数据训练算法，使计算机能够自动改进其性能。示例 3：文本生成
提示：请根据以下示例生成一段关于春天的描述：
1. 示例：夏天的阳光照耀着大地，万物复苏，花儿竞相开放。
2. 示例：秋天的落叶在微风中飘舞，给大地披上了一层金色的外衣。现在，请描述春天。输出：春天的温暖阳光洒在大地上，花朵绽放，树木抽出新芽，万物复苏，生机勃勃。和“零样本提示”区别
- 零样本提示（Zero-shot Prompting）：
- 定义：在没有提供任何示例的情况下，直接请求模型执行某项任务。
- 特点：依赖于模型的预训练知识和理解能力。
- 示例：问模型“什么是量子计算？”而不提供任何背景信息。
- 少样本提示（Few-shot Prompting）：
- 定义：在提示中提供少量示例，以帮助模型理解任务。
- 特点：通过示例引导模型生成更符合预期的输出。
- 示例：提供几个问题和答案的示例，然后询问模型一个新问题。
- 小样本提示（Small-shot Prompting）：
- 定义：通常与少样本提示相似，强调提供的示例数量较少。
- 特点：在某些文献中可能与少样本提示互换使用，但通常小样本提示更强调示例的数量较少。
- 示例：与少样本提示相同，通常没有严格的区分。
“零提示”请参考：AI大模型-提示工程学习笔记5-零提示-CSDN博客
为什么要有“少样本提示”
- 上下文理解：少样本提示通过提供示例，可以帮助模型更好地理解特定任务的上下文和期望的输出格式，尤其是在任务复杂或不明确时。
- 提高准确性：在某些情况下，模型可能无法准确理解用户的意图，少样本提示可以通过示例引导模型生成更符合预期的结果。
- 适应性：少样本提示可以帮助模型适应特定领域或主题的任务，而零样本提示可能无法提供足够的上下文。
或者说人话地讲：零提示更适用于泛泛地或者无目标地向专家提问，而“少样本提示”则是类似于给出上下文语境或者给出某个文化背景后提出的问题获得语境/文化中的结果。
有什么限制
- 示例数量：虽然少样本提示可以提供一些示例，但过多的示例可能会导致模型混淆，影响生成的质量。
- 示例质量：提供的示例必须清晰且具有代表性，否则可能导致模型生成不准确或不相关的输出。
- 任务复杂性：对于非常复杂或高度专业化的任务，少样本提示可能仍然不足以引导模型生成准确的结果。
- 模型能力：不同的模型在处理少样本提示时的能力可能不同，某些模型可能在少样本学习方面表现更好。
综述
少样本提示是一种有效的提示工程技术，通过提供少量示例来帮助 AI 模型更好地理解任务和生成期望的输出。与零样本提示相比，少样本提示能够提高模型的准确性和适应性，尤其在任务复杂或不明确的情况下。然而，使用时需要注意示例的数量和质量，以确保模型能够生成高质量的响应。
