提示工程：从零样本到少量样本的LLM调用方法

随着大语言模型（LLM）在各类业务场景中的广泛落地，如何让模型稳定、准确地完成特定任务，成为开发者面临的核心问题。提示工程（Prompt Engineering）正是在这一背景下从“写提示词”演变为一项系统性工程实践。它的核心思想是：在不更新模型权重的前提下，通过精心设计输入提示，引导模型产生更符合预期的输出。本文将从概念、目标、分类和实践角度，系统梳理提示工程的关键内容。

一、什么是提示工程

提示工程是一种面向大语言模型的使用技术。它通过设计和改进输入提示（prompt），提升模型在特定任务上的表现。其目标并非让模型“重新学习”，而是构建有效且可控的LLM系统，使其能够准确、可靠地执行目标任务。

在不同语境下，提示工程也被称为上下文提示（In-Context Prompting）。通俗地说，它研究的是：如何在不调整模型参数的情况下与LLM进行沟通，从而让输出更有意义、更符合业务需求。

这一方法的价值在于：

• 低成本：无需重新训练或微调模型；
• 高灵活性：通过调整提示即可适配不同任务；
• 可迭代：提示可以像代码一样被版本管理和优化；
• 可解释：输入与输出的对应关系相对清晰，便于调试。

二、提示工程的目标

提示工程并非简单地“问问题”，而是围绕任务目标进行系统设计。其主要目标包括：

1. 准确性：让模型输出符合事实、逻辑和任务要求；
2. 可控性：通过约束条件、格式说明和示例，减少模型随机性；
3. 可复用性：形成可迁移的提示模板，适配同类任务；
4. 可评估性：建立稳定的输入输出模式，便于自动化评测。

在实际工程中，提示往往需要结合任务描述、上下文信息、输出格式约束和示例样本，才能达到稳定效果。

三、提示工程的三种典型范式

根据提示中是否包含示例以及示例的数量，提示工程通常可分为三类：零样本学习、单样本学习和少量样本学习。这三类方法并非互斥，而是适用于不同任务复杂度和数据条件的渐进式策略。

1. 零样本学习（Zero-shot Learning）

零样本学习指模型在没有任何示例的情况下，直接根据任务描述完成任务。模型依赖预训练阶段获得的知识和推理能力，对未见过的类别或任务进行判断。

特点：

• 不需要提供示例；
• 依赖模型本身的泛化能力；
• 适合任务描述清晰、模型已有相关知识的场景。

示例：

请判断以下评论的情感倾向是正面还是负面：
“这款产品的续航表现非常出色，但重量略重。”

模型需要根据“情感倾向”这一任务描述，自行推理并输出结果。零样本学习的优势是使用简单，但对复杂任务或领域专有任务，效果可能不稳定。

2. 单样本学习（One-shot Learning）

单样本学习指在提示中提供一个示例，让模型参考该示例完成新任务。示例的作用是明确任务形式、输出格式和判断标准。

特点：

• 提供一个输入输出示例；
• 帮助模型理解任务边界；
• 比零样本更稳定，尤其适合格式要求较高的任务。

示例：

任务：判断评论情感倾向。
示例：
评论：“屏幕清晰，系统流畅。”
情感：正面
请判断：
评论：“电池续航差，充电速度慢。”
情感：

通过一个示例，模型可以更准确地理解“情感”字段应输出“正面”或“负面”，而不是生成一段解释。

3. 少量样本学习（Few-shot Learning）

少量样本学习指在提示中提供少量示例（通常为几个到十几个），让模型通过观察示例完成新任务的预测。它是目前提示工程中最常用、效果较稳定的方法之一。

特点：

• 提供多个示例，覆盖更多任务模式；
• 显著提升模型对复杂任务的理解能力；
• 示例质量和多样性直接影响效果。

示例：

任务：将用户问题分类为“账号”、“支付”或“其他”。
示例1：
问题：如何修改绑定手机号？
分类：账号
示例2：
问题：订单支付失败怎么办？
分类：支付
示例3：
问题：你们公司地址在哪里？
分类：其他
请分类：
问题：如何申请退款？
分类：

少量样本学习的关键在于示例的选择与组织。示例应具有代表性，覆盖主要类别和边界情况，同时保持格式一致。

四、三种范式的对比与选择

范式	示例数量	适用场景	优点	局限
零样本	0	任务简单、模型已有知识	使用简单、成本低	复杂任务效果不稳定
单样本	1	格式要求明确、任务较简单	稳定性提升、易于编写	示例覆盖不足时效果有限
少量样本	多个	复杂分类、领域任务	效果好、可控性强	提示较长、示例设计成本高

在实际应用中，建议从零样本开始验证任务可行性，再逐步引入示例，最终形成稳定的少量样本提示模板。

五、提示工程的实践建议

1. 明确任务目标：清晰描述输入、输出和判断标准；
2. 统一输出格式：使用固定字段、标签或结构化格式，便于后续解析；
3. 示例要有代表性：覆盖主要类别和易混淆场景；
4. 控制提示长度：在效果与成本之间取得平衡；
5. 建立评估机制：通过测试集验证提示稳定性，避免过拟合；
6. 版本化管理：将提示视为代码资产，记录变更与效果。

六、总结

提示工程是大语言模型应用中的基础能力。它通过设计输入提示，在不更新模型权重的情况下，引导模型完成特定任务。零样本、单样本和少量样本学习构成了提示工程的三种典型范式，分别适用于不同任务复杂度和数据条件。对于开发者而言，掌握提示工程不仅是写出一条好提示，更是构建稳定、可控、可评估的LLM系统的关键一步。随着模型能力的持续演进，提示工程仍将是连接业务需求与模型能力的重要桥梁。