Few-shot / Zero-shot

Zero-shot 和 Few-shot 是两种截然不同的「教模型干活」的方式。Zero-shot 是直接下指令，不给任何例子，靠模型在训练时学到的知识自行理解任务——简单省事，但遇到格式特殊或任务定义模糊时容易跑偏。Few-shot（也叫 in-context learning，上下文学习）则是在 Prompt 里附上 1–5 个「输入 → 期望输出」的例子，让模型从中推断出你想要的格式、风格和逻辑，无需修改模型权重。研究显示，同一个模型，few-shot 比 zero-shot 在分类、推理等任务上准确率提升 10–50%。选例子有三个关键：①例子要多样（覆盖不同情况，避免模型只学到单一模式）②格式要统一（输入和输出的分隔符、结构保持一致）③质量高于数量（三个好例子胜过十个模糊例子）。One-shot 是 few-shot 的特殊情况，只给一个例子——有时足够，适合格式固定的任务。

Zero-shot 就像告诉新厨师「做一道川菜」，全靠他自己理解「川菜」是什么。Few-shot 就像给他看三道菜的菜谱和成品照片再让他做——他不需要去厨师学校重新培训（不改模型），但看完例子就能大致明白你要的口味和摆盘风格。

# Zero-shot vs Few-shot 情感分类对比
# Zero-shot：只给指令，没有例子
zero_shot_prompt = "判断以下评论的情感（正面/负面）：\n评论：这款耳机音质很差，戴久了耳朵疼。"

# Few-shot：先给 3 个示例，再提问
few_shot_prompt = """判断评论情感（正面/负面）。

评论：电池续航超过预期，非常满意。
情感：正面

评论：做工粗糙，按钮松动，不值这个价。
情感：负面

评论：外观漂亮，但连接时有延迟。
情感：负面

评论：这款耳机音质很差，戴久了耳朵疼。
情感："""

import anthropic
client = anthropic.Anthropic()

for label, prompt in [("zero-shot", zero_shot_prompt), ("few-shot", few_shot_prompt)]:
    resp = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=16,
        messages=[{"role": "user", "content": prompt}]
    )
    print(f"{label}: {resp.content[0].text.strip()}")
# few-shot 输出格式更稳定，更精准匹配期望格式

• → Structured Output· 结构化输出