您的关注是对我最大的支持👇
另一种提示策略是少样本提示（few-shot prompting），基本上只是向模型展示几个你希望它执行的示例（也称为“样本”）。少样本提示允许人工智能从这些少量示例中学习。
考虑上面的例子，我们试图将客户反馈分类为积极或消极。我们向模型展示了三个积极/消极反馈的示例，然后我们向其展示了一个尚未分类的新反馈（It doesnt work!）。模型看到前面三个示例被分类为积极或消极，并使用这些信息将新示例分类为消极。
结构
我们组织示例的方式非常重要。由于我们将这三个实例组织成输入：分类的格式，模型在最后一行后生成一个单词，而不是输出一个完整的句子，比如“这个评论是积极的”。
提示词：
AI输出结果：
消极
消极关于结构的更多信息
少样本提示的一个关键用例是当您需要输出以特定方式结构化的结果，而这种方式很难向模型描述时。为了理解这一点，让我们考虑一个相关的例子：假设您正在进行经济分析，并需要通过分析当地报纸文章来编制附近城镇知名公民的姓名和职业。您希望模型能够阅读每篇文章，并以“名 姓 [职业]”的格式输出姓名和职业的列表。为了让模型做到这一点，您可以向其展示几个示例。请查看嵌入文本以查看这些示例。提示词：
在繁华的Emerald Hills镇上，一群多样化的个体留下了自己的印记。Sarah Martinez是一位敬业的护士，以她在当地医院的关怀备受赞誉。David Thompson是一位富有创新精神的软件工程师，他不知疲倦地致力于颠覆科技行业的开创性项目。与此同时，Emily Nakamura是一位才华横溢的艺术家和壁画家，她创作了充满活力和发人深思的作品，装饰了建筑物和画廊的墙壁。最后，Michael O'Connell是一位雄心勃勃的企业家，开设了一家独特的生态友好咖啡馆，迅速成为镇上最受欢迎的聚会场所。这些个体都为Emerald Hills社区的丰富多彩做出了贡献。
Sarah Martinez [护士]
David Thompson [软件工程师]
Emily Nakamura [艺术家]
Michael O'Connell [企业家]
在镇中心，厨师Oliver Hamilton通过他的农场至餐桌餐厅Green Plate改变了烹饪场景。Oliver致力于使用当地有机食材，使这个餐厅受到美食评论家和当地人的一致好评。
就在街对面，您会找到Riverside Grove图书馆，馆长Elizabeth Chen勤奋工作，为所有人创造了一个友好和包容的空间。她扩大图书馆的服务并建立儿童阅读计划的努力对该镇的识字率产生了重要影响。
漫步在迷人的镇中心广场上，您会被装饰墙壁上的美丽壁画所吸引。这些杰作是著名艺术家Isabella Torres的作品，她擅长捕捉Riverside Grove的精髓，为这个小镇注入了生机。
Riverside Grove的体育成就也值得一提，这要归功于前奥运会游泳运动员兼教练Marcus Jenkins。Marcus利用自己的经验和热情培训该镇的青年，带领Riverside Grove游泳队赢得了多个地区冠军。
Oliver Hamilton [厨师]
Elizabeth Chen [图书馆馆长]
Isabella Torres [艺术家]
Marcus Jenkins [教练]
Oak Valley是一个迷人的小镇，拥有三位杰出的个体，他们的技能和奉献精神对社区产生了持久的影响。
在繁忙的农民市场上，您会找到Laura Simmons，一位热情的有机农民，以她美味可口且可持续种植的农产品而闻名。她致力于推广健康饮食，激发了该镇对更环保意识的接受。
在Oak Valley的社区中心，有一位技艺高超的舞蹈教练Kevin Alvarez，他为各个年龄段的人带来了舞蹈的快乐。他包容性的舞蹈课程培养了居民之间的团结感和自我表达能力，丰富了当地的艺术氛围。
最后，Rachel O'Connor是一位不知疲倦的志愿者，她将自己的时间奉献给各种慈善事业。她致力于改善他人的生活，对于在Oak Valley中创造强烈的社区意识起到了重要作用。
通过他们独特的才华和坚定的奉献精神，Laura、Kevin和Rachel已经融入了Oak Valley的社区，帮助打造了一个充满活力和繁荣的小镇。AI输出结果：
Laura Simmons [农民]
Kevin Alvarez [舞蹈教练]
Rachel O'Connor [志愿者]通过向模型展示正确输出格式的示例，它能够为新文章生成正确的输出。我们可以使用指令提示来产生相同的输出，但是少样本提示的效果更加一致。少样本提示的变体"Shot"一词与"example"（示例）同义。除了少样本提示之外，还有两种其他类型的样本提示存在。这些变体之间唯一的区别在于您向模型展示了多少个示例。零样本提示零样本提示是最基本的提示形式。它仅向模型展示一个提示，没有示例，并要求它生成一个回应。因此，到目前为止，您所看到的所有指令和角色提示都属于零样本提示。零样本提示的一个额外示例是：
加上2和2：
加上2和2：这是零样本，因为我们没有向模型展示任何完整的示例。一次样本提示一次样本提示是指向模型展示一个示例。例如，零样本提示 Add 2+2: 的一次样本提示版本是：
加上3和3：6
加上2和2：我们只向模型展示了一个完整的示例（Add 3+3: 6），因此这是一个一次样本提示。少样本提示少样本提示是指向模型展示2个或更多个示例。上述两个提示的少样本提示版本是：
Add 3+3: 6
Add 5+5: 10
Add 2+2:这是一个少样本提示，因为我们向模型展示了至少两个完整的示例（Add 3+3: 6和Add 5+5: 10）。通常情况下，展示给模型的示例越多，输出的结果就会越好，因此在大多数情况下，少样本提示比零样本和一次样本提示更受青睐。总结总而言之，少样本提示是一种有效的策略，可以引导模型生成准确且结构合适的回应。通过提供多个示例，少样本提示使模型能够理解所需的输出格式并做出相应的回应，因此在大多数情况下，它是优于零样本和一次样本提示的首选方法。
明日预告
《提示技术之组合提示-AI基础系列文章第8篇》
