少样本学习是什么？给模型看几个例子就会做

少样本学习（Few-Shot Learning）指模型只靠很少的示例就学会一项新任务。在传统机器学习里，它是一个研究方向，目标是让模型用每类几张图片就学会识别新类别；到了大模型时代，它最常见的形式是在提示词里放几组“输入→输出”的示例，模型不更新任何参数，就能照着示例的格式和规律处理新输入。后一种也叫上下文学习（In-Context Learning）。

零样本、单样本和少样本

这几个词按给出示例的数量区分。零样本是只写任务说明、不给例子，比如“把下面这句话翻译成英文”；单样本是给一个例子；少样本一般是给三到十个例子。2020 年 GPT-3 的论文标题就是《Language Models are Few-Shot Learners》，论文展示了模型规模足够大以后，只靠提示词里的几个例子就能完成翻译、问答、算术等任务，这让“提示工程”成了一门手艺。

为什么几个例子就管用

大模型在预训练阶段已经见过海量文本，学到了大量任务的“套路”。示例的作用更像是告诉它“这次要用哪个套路、输出长什么样”，而不是从零教会它新知识。研究也发现，示例的格式、标签的分布、排列顺序都会影响结果，有时候示例里的标签就算是错的，模型照样能学到输出格式。

写好少样本提示的几条经验

示例要覆盖典型情况和容易出错的边界情况，别全是同一类。格式要严格统一，模型对格式非常敏感，示例里用什么分隔符、什么字段名，它就会照抄。示例数量不是越多越好，三五个高质量的往往比二十个随手凑的强，而且示例越多，占用的上下文和费用越多。如果任务很固定、调用量很大，与其每次都塞一堆示例，不如考虑微调。

和微调怎么选

少样本提示的好处是零成本、随改随用，适合任务经常变化或者还在探索阶段的场景。微调需要准备数据、花训练成本，但能把能力“固化”进模型，推理时提示词更短、更便宜、更稳定。很多团队的做法是先用少样本提示验证效果，确认需求稳定了再用积累下来的数据去微调。

在 AI 主线看来，少样本提示是每个用 AI 干活的人都该掌握的基本功：遇到模型理解不了你要什么，先别急着换模型，给它看两个例子试试。