AI 通关攻略 · 第 8 关 | Few-shot & CoT：两个技巧让 AI 回答质量翻倍

刘宇琪
0 阅读5分钟

AI 通关攻略 · 第 8 关 | Few-shot & CoT：两个技巧让 AI 回答质量翻倍

什么是 Prompt Engineering

在使用 LLM 时，如何提问（即 Prompt 如何设计）会显著影响输出质量。

Prompt Engineering（提示词工程）就是在不改变模型的情况下，通过优化提问方式，让模型输出更好的结果。

Few-shot 和 CoT 是 Prompt Engineering 中两个最核心、最实用的技巧。

1. Zero-shot（零样本）

先说一个基准概念：Zero-shot。

Zero-shot 就是直接提问，不给任何示例：

用户：把"今天天气真好"翻译成英文。 LLM：The weather is really nice today.

Zero-shot 是最简单的方式，也是大多数人的默认用法。

2. Few-shot（少样本学习）

2.1 什么是 Few-shot？

Few-shot 是在提问时，先给 LLM 提供几个示例（Examples），让它从示例中学习规律，再回答你的问题。

格式：

示例1：输入 → 期望输出
示例2：输入 → 期望输出
示例3：输入 → 期望输出
（可选）你的问题

2.2 Few-shot 的例子

场景：把中文翻译成英文

Zero-shot 方式：

把"我喜欢吃苹果"翻译成英文。

Few-shot 方式：

请将以下中文翻译成英文：

  1. 中文："你好" 英文："Hello"

  2. 中文："谢谢" 英文："Thank you"

  3. 中文："我喜欢吃苹果" 英文：

Few-shot 的效果往往明显好于 Zero-shot，因为：

  • LLM 从示例中学到了"翻译任务"的模式
  • 示例帮助模型理解输出格式和语气
  • 减少了歧义（"翻译成英文"可以有很多风格，示例明确了是哪一种）

2.3 One-shot vs Few-shot

方式示例数量效果
Zero-shot0 个基准水平
One-shot1 个略有提升
Few-shot2~10 个通常效果最好

注意：示例太多（超过 10 个）不一定更好，反而可能超过 context window 限制，且让 LLM 困惑。

2.4 Few-shot 的适用场景

适合 Few-shot不适合 Few-shot
需要特定输出格式（JSON、代码等）简单的事实问答
需要遵循某种逻辑模式开放式创意写作
任务边界不明确，示例能澄清需要最新知识的问题
领域术语多，示例能提供上下文复杂推理（更适合 CoT）

3. CoT（Chain-of-Thought，思维链）

3.1 什么是 CoT？

CoT（Chain-of-Thought，思维链）是一种让 LLM 分步骤推理的技术。

核心思想：不要直接给答案，让模型先把推理过程说出来。

3.2 CoT 的例子

问题：小明有 5 个苹果，给了小红 2 个，又买了 3 个，小明现在有几个苹果？

没有 CoT 的回答：

小明现在有 6 个苹果。

有 CoT 的回答：

小明原来有 5 个苹果。 给了小红 2 个：5 - 2 = 3 又买了 3 个：3 + 3 = 6 所以小明现在有 6 个苹果。

看起来答案一样，但推理过程能大幅减少复杂推理中的错误。

3.3 Zero-shot CoT

最简单的 CoT 方式：在问题后面加一句"请一步一步思考"（Let's think step by step）。

用户：小明有 5 个苹果，给了小红 2 个，又买了 3 个，小明现在有几个苹果？请一步一步思考。

不需要给任何示例，模型会自动展开推理过程。

3.4 Few-shot CoT

给示例时，把推理过程也作为示例的一部分：

示例：
问题：小明有3个球，又买了2个，给了小红1个，现在有几个？
推理：小明原来有3个球。又买了2个：3+2=5。给了小红1个：5-1=4。
答案：4个。

问题：小明有5个苹果，给了小红2个，又买了3个，小明现在有几个苹果？
推理：

3.5 CoT 的效果

研究表明，CoT 在以下场景中效果显著：

场景CoT 效果
数学推理（鸡兔同笼、分数计算等）✅ 显著提升
逻辑推理（前提→结论）✅ 显著提升
多步骤问题（3步以上）✅ 显著提升
代码生成与调试✅ 有帮助
简单事实问答❌ 基本没用（反而增加 token 消耗）
开放式写作/创意❌ 基本没用

3.6 CoT 的原理

为什么让模型"说出来思考过程"就能更准确？

  1. 外化了中间状态：推理过程让每一步的计算都清晰可见，减少了"直觉性错误"
  2. 强迫模型做深度处理：说出推理过程需要模型真正执行逻辑，而不是靠模式匹配
  3. 自我纠错：推理过程中，如果发现逻辑矛盾，模型可以在后续步骤中修正

4. Few-shot vs CoT 的关系

Few-shot 和 CoT 不是互斥的，它们可以组合使用：

Few-shot CoT = 先给示例（Few-shot）+ 示例中包含推理过程（CoT）

这是当前 Prompt Engineering 的"最强形态"之一。

5. 进阶技巧：Self-Consistency（自洽性）

Self-Consistency（自洽性）是在 CoT 基础上的进一步优化：

  1. 让 LLM 多次生成不同的推理路径
  2. 统计哪个答案出现的次数最多
  3. 选择出现最多的那个答案

类比：就像考试时做完一道难题后，换一种方法验算一遍，如果两种方法得到相同答案，信心就更强。

Self-Consistency 的效果：在数学推理任务上，通常能让准确率提升 5~15 个百分点。

6. 实用建议汇总

场景推荐做法
简单事实问答Zero-shot（直接问）
需要特定格式输出Few-shot（给格式示例）
复杂数学/逻辑推理CoT（让模型分步思考）
困难推理 + 需要高准确率Few-shot CoT + Self-Consistency
开放式创意写作Zero-shot 或 Few-shot（给风格示例）

7. 总结

Zero-shot = 直接问（基准）
Few-shot = 给示例（让模型学习模式）
CoT = 让模型说推理过程（减少推理错误）
Few-shot CoT = 给带推理过程的示例（最强组合）
Self-Consistency = 多次推理取最常见答案（进一步提高准确性）

记住：Few-shot 和 CoT 是零成本的技巧——不需要改变模型、不需要训练，只需要优化提问方式。在很多场景下，精心设计的 Few-shot + CoT 可以接近甚至达到 Fine-tuning 的效果。

avatar
文章
阅读
粉丝