零样本与少样本提示怎么选：示例要覆盖真实分歧
比较只给任务说明与提供输入输出示例的差异，说明示例选择、输入分布和额外上下文怎样影响结果及维护。
怎样选择更合适
要求清楚且模型能稳定完成时，可以先用零样本提示；模型经常误解标签或输出习惯时，再添加有代表性的少样本示例。示例的价值在于说明规则和边界，不能靠堆数量替代正确标准。比较时使用未出现在示例中的问题，否则容易把记住格式误认为能处理新资料。
示例传达的是具体映射方式
零样本并非完全没有要求，而是不提供目标任务的示范答案。少样本提示会把若干输入和期望输出放进当前上下文。OpenAI 与 Anthropic 的提示资料都把示例作为说明任务的方法，但没有证明任意例子都能改善结果。
示例如果只包含容易判断的类别，会留下关键分歧。比如把“可能延期”和“确认延期”都标成同一标签，模型就可能学到错误标准。写示例之前应先统一期望行为，必要时允许返回无法判断，避免把资料不足的情况硬分到某类。
保留未见输入比较是否真正改善
用同一组未见过的请求运行无示例版和加示例版，保持任务要求一致。逐条查看错误属于规则误解还是事实遗漏；若只是输出字段不稳定，也应比较接口的结构化约束，不把所有问题都归为示例太少。
随后加入与示例措辞不同、但应遵循相同规则的输入。模型只有在这些材料上仍能处理正确，才说明示例帮助了泛化。不要把正在评分的题目复制进提示，再用同一批题宣称通过率提升；本页没有运行这样的模型实验。
更新示例时检查偏差与上下文消耗
每个示例都会增加输入内容，过时例子也可能持续影响新请求。标签或业务要求变化后，旧示例应一起复查。保存无示例基线与当前版本，才能发现新增例子虽然修好一个问题，却让其他类别结果变差。
先增加能够解释真实失败的少量高质量示例，再观察是否仍有相同错误。停止条件应由任务标准决定，不是凑满某个通用数量。把消耗与人工检查时间一起记录，选择能持续维护的提示形式，而不是只比较一次演示的答案。
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。