零样本提示是什么？没有任务示范时怎样写清楚要求
用邮件意图分类解释零样本提示，区分没有示范与没有训练，说明标签定义、资料不足和独立评测，判断何时需要补充少样本例子。
先理解这个概念
零样本提示是在当前请求中不提供该任务的示范答案，直接用文字说明任务并让模型处理新输入。零样本不代表模型从未训练，也不能保证训练资料里没有相似任务。它强调提示里没有演示对，并非没有上下文或事实资料。任务定义不清时仍会产生歧义，需要明确输出条件并在新样例上验证。
标签定义比一句自动分类更有用
例如要把邮件分成报价咨询与售后问题，可以写明前者关注购买前价格，后者关注购买后使用困难，再提供待判断邮件。这里没有附演示答案，所以仍是零样本。只有两个标签名称而没有边界，容易让相似邮件出现不一致判断。
如果邮件同时涉及两种意图，应规定允许多标签还是选择主要意图。缺失信息时也要给出处理方式，避免模型为了满足格式随意归类。本文没有读取真实邮件，也没有测出分类成绩，这些内容是可供建立评测的设计例子。
零样本不等于模型从未接触相关任务
GPT-3研究按当前提示提供的示例数量区分任务设置，不能据此倒推出训练语料完全没有相同题型。评估具体模型时，如果训练资料未公开，相关接触情况应保留未知，不宜把零样本成绩宣传成绝对从零学习。
提供一份政策原文让模型回答问题，也不一定变成少样本提示；原文是参考资料，而示范要展示任务输入和期望输出。区分两者有助于分析错误：不知道政策内容，与不知道应按什么格式回答，是不同问题。
用未展示的样例检查是否需要增加示范
先保留一组有标准判断的邮件，观察边界错误与格式错误。若零样本已满足要求，额外示范未必值得占用上下文。若某个边界反复判断不清，可以加入针对性例子，再用另一组输入比较，避免只适配新增示范本身。
无论是否给示范，模型仍可能生成没有依据的细节。资料问答应保留原始来源核对，分类任务应检查错误代价。本文解释提示设置，不承诺零样本或少样本总是更好，也不把提示形式当成模型通用性的证明。
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。