概念少样本提示 / 少样本学习
Few-shot Prompting
一种提示工程技术，通过在提示词中附加少量示例（通常2-10个），引导大语言模型理解期望的输出格式和风格，从而提升模型在特定任务上的表现
核心事实
时间轴 (近 90 天)
10月11日
少样本提示不修改模型权重，只在推理阶段通过上下文约束输出分布，与传统机器学习的微调不同
待验证50%
9月21日
少样本示例（Few-shot）的本质是在对话中临时激活模型的模式匹配能力，通过示例在注意力机制中锚定目标分布，使后续生成向该分布靠拢
待验证50%
全部知识事实 (6)
已验证
提示词工程包括设定角色边界、注入上下文、运用链式思维和少样本示例校准输出
75%已验证Few-shot Prompting技术源自GPT-3论文中的重要发现
65%待验证与Zero-shot相比，Few-shot能显著提升复杂任务的准确率，尤其适用于格式严格、边界模糊的信息提取场景
85%待验证少样本提示（Few-shot Prompting）、思维链提示（Chain-of-Thought）和角色设定（Role Prompting）等技术能显著提升代码的正确性和可维护性
80%待验证少样本提示不修改模型权重，只在推理阶段通过上下文约束输出分布，与传统机器学习的微调不同
50%待验证少样本示例（Few-shot）的本质是在对话中临时激活模型的模式匹配能力，通过示例在注意力机制中锚定目标分布，使后续生成向该分布靠拢
50%