最简明的Few-shot Prompt指南

大模型相关目录

大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容
从0起步，扬帆起航。

30. 基于Dify的QA数据集构建（附代码）
31. Qwen-2-7B和GLM-4-9B：大模型届的比亚迪秦L
32. 文擎毕昇和Dify：大模型开发平台模式对比
33. Qwen-VL图文多模态大模型微调指南
34. 从零开始的Ollama指南：部署私域大模型
35. 基于Dify的智能分类方案：大模型结合KNN算法（附代码）
36. OpenCompass：大模型测评工具
37. 一文读懂多模态大模型基础架构
38. 大模型管理平台：one-api使用指南
39. 大模型RAG、ROG、RCG概念科普
40. RAGOnMedicalKG：大模型结合知识图谱的RAG实现
41. DSPy：变革式大模型应用开发
42. 最简明的Few-shot Prompt指南

---

---

few-shot learning 是一种Prompt方法，借鉴了迁移学习的范畴，旨在通过利用少量样本使大模型快速适应新任务和输出要求。这种方法通常应用于自然语言处理（NLP）领域，特别是在训练数据稀缺的情况下。在 few-shot下，模型通过仅使用少量的样本（即 few-shot）来适应新任务。

Prompt few-shot learning 强调了“提示”（prompt）的作用。提示是一种设计良好的输入，旨在引导预训练模型生成期望的输出。这种方法的关键在于，通过精心设计的提示，可以有效地将预训练模型的能力迁移到新的任务上，即使是在极少的样本情况下。提示工程的艺术在于，如何通过最小的修改，使得预训练模型能够在新任务上表现良好。

通俗的讲，few-shot learning 就像是给一个已经学会了很多知识的智能助手提供一些线索，让它能够快速地学会如何处理一个新问题。这个智能助手首先在一个大数据库中学习了很多通用的知识，这些知识可以帮助它理解世界。当它遇到一个新的问题时，我们不需要提供大量的例子，只需要给出几个关键线索（也就是提示），这个助手就能利用它之前学到的知识，快速地理解并解决新问题。想象一下，这个智能助手就像是一个聪明的学生，已经学会了大量的数学公式和概念。现在，如果你给它一个新的数学问题，它可能不立即知道如何解决。但是，如果你给出一些提示，比如“这个问题和之前的几何问题有点像”，这个学生就能快速地应用它之前学到的几何知识来解决这个新问题，即使它之前没有见过完全一样的问题。

"""

示例 1：

简介：{{introduce_1}}

内容：{{content_1}}

示例 2：

简介：{{introduce_2}}

内容：{{content_2}}

"""

以下是创建的最新内容输出：

"""

简介：{{introduce}}

内容：{{content}}

1.few-shot使用场景

• 专业领域：在法律、医学或技术领域等专业领域工作时，收集大量数据可能很困难，只需少量提示即可获得高质量的特定领域输出，而无需大量数据集。
• 动态内容创建：非常适合内容生成等任务，在这些任务中，一致的风格和语气至关重要。
• 严格的输出结构要求：很少有镜头提示在向模型展示您希望输出的结构方面特别有用。
• 定制用户体验：在个性化应用程序中，例如聊天机器人或推荐系统，人工智能需要根据个人用户的偏好和输入快速调整。

2.few-shot数量

多篇研究论文指出，在两个例子之后，先是大模型回答性能大幅上升，然后是停滞不前。在 2 个示例之后，用户只是在燃烧Token。

3.few-shot顺序

Calibrate Before Use：Improving Few-Shot Performance of Language Models的论文证明：模型的预测根据示例顺序而有很大差异。
将最关键的例子放在顺序的最后。众所周知，LLM 非常重视他们处理的最后一条信息。

4.few-shot示例方法

• 在对话流中增加理解（高度关联需求进行业务解读）
• 对模型基于正面提示（强调要做什么而非不要做什么）
• 简化提示输出统一（示例间在某种程度上达成高度一致）