从一次深夜调试说起
上周排查一个智能客服的异常回复，问题出在模型对“用户想重置密码但忘了注册邮箱”这类场景的处理上。直接问模型“怎么办”，它大概率会丢出一段通用流程，比如“请检查垃圾邮件”或“联系管理员”——这显然没解决核心矛盾。后来我在提示词里塞了两个类似场景的正确处理例子，再问新问题，模型突然就开窍了，给出了分步骤的验证建议。这就是少样本学习（Few-Shot Learning）在实际工程中的一次朴素应用。
少样本学习：给模型“打个样”
少样本学习本质上是在提示词中提供少量示例（通常3-5个），让模型通过类比来理解任务格式和逻辑。它不更新模型权重，而是利用模型已有的知识进行上下文学习。
举个例子，我们要让模型把自然语言转换成数据库查询语句：
零样本（直接问）：
用户：找出上个月销售额超过10万的商品 模型：SELECT * FROM products WHERE sales > 100000 AND date >= '2023-10-01'——这里模型可能混淆字段名或日期逻辑。
少样本（给例子）：
示例1： 用户：查询所有未付款订单 SQL：SELECT order_id FROM orders WHERE status = 'unpaid' 示例2： 用户：统计昨天的新用户数量 SQL：SELECT COUNT(*) FROM users WHERE signup_date = CURDATE() - INT
