第三章：Few-shot 学习¶

什么是 Few-shot¶

Few-shot（少样本）学习通过提供少量示例，让模型理解任务模式和期望输出。

基本结构¶

任务：情感分析

示例1：
输入：这个产品太棒了，用起来很顺手
输出：正面

示例2：
输入：质量一般，价格偏高
输出：中性

示例3：
输入：完全不能用，退货了
输出：负面

现在请分析：
输入：{{user_input}}
输出：

示例设计原则¶

1. 代表性¶

# 好的示例：覆盖各种情况
示例1：正面情感
示例2：负面情感
示例3：中性情感
示例4：混合情感

# 不好的示例：只有正面
示例1：很好
示例2：很棒
示例3：优秀

2. 一致性¶

# 格式一致
示例1：
输入：产品A很好用
输出：{"sentiment": "positive", "product": "产品A"}

示例2：
输入：产品B质量差
输出：{"sentiment": "negative", "product": "产品B"}

# 格式不一致（避免）
示例1：
输入：产品A很好用
输出：正面

示例2：
输入：产品B质量差
输出：{"sentiment": "negative"}

3. 多样性¶

# 多样化的输入
示例1：简短评论（5字以内）
示例2：中等长度评论（20-50字）
示例3：长评论（100字以上）
示例4：包含表情符号的评论
示例5：包含网络用语的评论

Few-shot 变体¶

Zero-shot（零样本）¶

请判断以下评论的情感倾向（正面/负面/中性）：
评论：{{comment}}
情感：

One-shot（单样本）¶

请判断评论的情感倾向：

示例：
评论：这个产品很好用
情感：正面

评论：{{comment}}
情感：

Many-shot（多样本）¶

提供5-10个示例，覆盖更多情况

实战示例¶

文本分类¶

任务：新闻分类

示例：
1. "苹果公司发布新款iPhone" → 科技
2. "央行宣布降息" → 财经
3. "某明星宣布结婚" → 娱乐
4. "国家队晋级决赛" → 体育

新闻：{{news}}
分类：

文本转换¶

任务：将口语转换为书面语

示例：
1. "咋回事啊" → "请问发生了什么事"
2. "这玩意儿挺好使" → "这个产品使用效果很好"
3. "不太行" → "效果不太理想"

口语：{{text}}
书面语：

代码生成¶

任务：根据描述生成SQL

示例：
1. "查询所有用户" → "SELECT * FROM users;"
2. "查询年龄大于18的用户" → "SELECT * FROM users WHERE age > 18;"
3. "统计每个部门的员工数" → "SELECT department, COUNT(*) FROM employees GROUP BY department;"

描述：{{description}}
SQL：

小结¶

本章学习了 Few-shot 学习技巧。下一章学习 Chain of Thought。