少样本提示（Few-Shot Prompting）：用示例展示而非仅描述

展示而非仅描述

零样本提示（Zero-Shot）只给模型一个任务，没有示例：“总结这段文字。”少样本提示（Few-Shot，也叫多样本提示 Multishot）则额外展示两三个现成的示例，说明答案应该是什么样子——格式、语气、结构。模型从示例中识别出模式，并将其套用到你的实际任务上。

为什么这样效果通常更好

像“简短且客观地回答”这样的描述留下很大的解释空间。一个示例能精确展示“简短”和“客观”具体意味着什么——不需要把词语再翻译成行为。尤其在固定格式（表格、JSON、特定语气）的场景下，两三个示例往往能省去好几句描述。

什么时候零样本就够了

对于简单、常识性的任务（明显的翻译、简单的计算），少样本带来的额外收益很小，只会多消耗Token（token）。少样本尤其适合特殊格式、不寻常的风格，或者可能有多种解释方式的任务。

质量胜过数量

两个精心挑选、贴近实际的示例比十个随意的示例更可靠。关键在于示例要反映你真实的应用场景并覆盖边缘情况——否则模型会习得不经意间在所有示例中都一致出现的、并非本意的次要模式。