Zero-Shot / One-Shot / Few-Shot / Chain-of-Thought 完整对比Prompt Engineering 核心技巧一、Zero-Shot 零样本提示定义不给任何示例仅靠清晰文字指令让模型直接完成任务模型依靠自身预训练知识输出结果。适用场景简单分类、翻译、基础问答、简单总结等低难度任务。示例plaintext任务判断这句话情感只输出“正面”或“负面” 文本这款HBM显存延迟极低算力释放非常充分 输出优缺点✅ 写 Prompt 最快、Token 消耗最低 ❌ 复杂推理、严格格式化输出容易出错、产生幻觉。二、One-Shot 单样本提示定义提供1 组完整标准答案示例让模型模仿示例的格式、逻辑、措辞生成回答。适用场景需要固定输出格式、轻度结构化任务。示例plaintext需求判断情感只输出“正面”或“负面” 示例 文本显卡经常过热卡顿 → 负面 任务文本这款HBM显存延迟极低算力释放非常充分 输出优缺点✅ 输出格式稳定性大幅提升 ❌ 复杂任务单条示例不足以约束模型行为。三、Few-Shot 少样本提示定义提供2~5 组标准输入 输出示例是工程里最常用的提示方案给模型多个参考范本大幅降低输出跑偏概率。适用场景分类、实体提取、列表生成、JSON 格式化、规则类任务你代码里CommaSeparatedListOutputParser搭配使用最多。示例plaintext需求提取硬件名词英文逗号分隔列表 示例1 问题AI服务器核心硬件有什么 答案GPU,HBM,CPU 示例2 问题内存相关部件 答案HBM3E,GDDR6,DRAM 任务问题大模型推理硬件有哪些 答案优缺点✅ 约束能力强格式、逻辑统一显著减少幻觉 ❌ 示例越多输入 Token 越高API 计费成本上升。四、Chain-of-Thought (CoT) 思维链定义核心指令让模型分步拆解、写出中间推理过程再给出最终答案专门解决数学计算、逻辑推理、多步骤复杂问题。 关键词Lets think step by step/ 一步步推导。底层原理大模型直接跳答案容易逻辑断层强制输出思考步骤能激活深层推理能力复杂问题准确率提升 30%~80%。1基础 Zero-Shot CoT零样本思维链plaintext问题7块HBM3E单栈带宽1.2TB/s总带宽多少一步步思考再给结果模型输出单栈带宽 1.2TB/s总带宽 7 × 1.2 8.4 最终答案8.4TB/s2Few-Shot CoT少样本思维链效果最优给带完整推理步骤的示例再让模型模仿分步推导plaintext示例 问题2块HBM带宽1.2TB/s总带宽 思考过程1块1.22块2×1.22.4 答案2.4TB/s 问题7块HBM3E单栈带宽1.2TB/s总带宽多少 思考过程 答案适用场景数学运算、逻辑推理、多条件判断、复杂业务计算、Agent 工具调用决策。优缺点✅ 复杂推理任务正确率质变提升 ❌ 思考过程会额外消耗 Output Token增加计费、拉长响应时间。四者横向对比表表格方法核心逻辑样本数量最佳适用场景Token 成本Zero-Shot纯指令无范例0 个示例简单翻译、短句问答最低One-Shot1 组输入输出范本1 个示例轻度格式化简单任务低Few-Shot多组标准范例模仿2~5 个示例固定格式提取、分类、列表输出中等CoT 思维链强制分步推理过程可零样本 / 少样本数学、逻辑、多步骤复杂推理最高联动你之前的代码开发场景简单 Topic 解释用Zero-Shot节约成本需要输出逗号列表、JSON 结构化数据搭配Few-Shot CommaSeparatedListOutputParser模型需要计算 Token 成本、带宽、多条件业务判断时加入CoT 思维链复杂 Agent 决策链路Chain Composition普遍采用 Few-Shot CoT 保证推理稳定。