少样本提示是什么？用几组示例表达任务而不训练模型
用留言分类示例解释少样本提示，区分上下文示范与微调，说明例子覆盖、标签一致性和评测隔离，避免把模仿格式当成任务已经可靠。
先理解这个概念
少样本提示是在当前输入中给出少量任务示范，让模型据此理解期望的输出方式，再处理新的输入。示例通常包含输入与对应回答，不需要因此更新模型参数。它与使用少量资料继续训练模型不同。示范可以帮助说明格式，但错误样例或不合适的覆盖也会误导，效果需要在未展示的输入上检查。
示范要展示判断规则而非只给标签名字
例如把客户留言分为咨询与投诉，可以提供各自的留言及标签，再要求判断一条新留言。若咨询样例都很短，投诉样例都很长，模型可能误把长度当作规则。应选择内容有区分、表面形式又不完全一致的示范。
模糊留言也值得覆盖，例如询问配送进度时夹带不满情绪。可以规定主要意图或允许待确认，避免不同样例互相矛盾。本文示例用于设计说明，没有完成真实留言标注，也不以某几条示范宣称分类准确率。
上下文示例与监督微调有不同生命周期
少样本提示把示范放入请求，通常持续占用上下文预算；微调通过训练改变参数，部署时未必还要发送这些示范。两种方法的成本路径不同，不能仅因都使用问答对，就把它们视为同一次训练。
GPT-3原论文研究了不更新参数的少样本任务表现，Google提示资料也介绍示例设计。研究结果有模型和任务条件，不能外推成给三个例子就一定有效。实际使用应核对当前模型能否理解该格式及相关上下文限制。
留出新样本才能判断是否只会模仿示范
评测内容不能已经作为示范附在同一次请求里，否则容易把复制当成泛化。可以保留不同说法和缺失信息，检查标签与解释是否一致。调整示例时记录改动，避免反复迎合评测题，最终只对一组固定问题有效。
如果没有示范也能完成任务，零样本方式可能更简洁；如果必须长期记忆复杂行为，则需要检查其他适配方法。选择依据是具体错误和运行条件。示例数量增加也会占用预算，不能只按越多越好的原则无限堆叠。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。