2.1少量样本提示：快速掌握新知

少量样本提示（few-shot prompting）是一种向语言模型展示少量示例，以帮助模型理解并模仿所需输出格式的技术。

目前主流大模型可以在不需要任何样本的情况下可以惊人的完成部分任务；但在实际体验过程中，大家会发现存在以下情况：

1. 存在幻觉（多次重复的任务，可能会存在少量几次不正常的输出）；

2. 稍微有复杂度的任务，模型没法独立完成思考和引导；

我们可以通过在提示词里加入少量的样本（问题回答例子），让大模型学习我们回答问题的模式，可以根据提示进行引导，实际测试证明可以有效降低幻觉出现的概率（某些情况下可以完全避免）；同时大模型也会根据我们的样本进行自我引导和思考，提高正确回答问题的概率；

用法

如使用第一章节学会的技巧，可以这么提问：

如果我们使用少量样本提示，可以把提示词改写成以下方式：

同时，我也建议大家在实际使用过程中，可以把小样本提示和第一章的技巧结合使用，这样效果会更佳；

对比案例

以下给出一个对比案例，来展示没有样本提示和有样本提示生成的差异：

无样本提示

有样本提示

局限性

虽然少样本提示在资源有限或需要快速部署模型时是一种有效的技术，但仍存在以下局限性

1. 示例质量：提供的示例需要具有代表性和准确性，否则模型可能会学习到错误的模式或理解。

2. 泛化能力：少样本提示可能不足以覆盖所有可能的输入变体，导致模型在面对未见过的新情况时泛化能力不足。

3. 多样性：示例的数量限制了输出的多样性，模型可能无法生成足够多样化的响应。

4. 上下文理解：少样本提示可能不足以提供充分的上下文信息，使得模型在理解复杂任务或长文本时表现不佳。

5. 依赖示例：模型的输出质量高度依赖于提供的示例，如果示例不恰当，模型的输出可能偏离预期。

6. 可解释性：少样本提示可能导致模型的决策过程不够透明，难以解释其生成特定输出的原因。

 往期文章：

第一章：提示词编写入门&1.1提示词（prompt）基本概念

1.2提示词编写要素和技巧

1.3 掌握这些提示词，工作更轻松

第二章：让AI像人一样思考