零样本提示（Zero-Shot Prompting）：示例、原理与用例

什么是零样本提示？

零样本提示是一种利用 LLM 的泛化能力，在没有事先特定训练或示例的情况下尝试新任务的技术。

它依托 LLM 在大规模、多样化数据集上的广泛预训练，使模型能够仅凭清晰简洁的指令，将其广博知识应用于新任务。尽管这种方法往往十分有效，但其成功与否取决于任务的复杂度和提示的质量。

简而言之，您在不提供示例的情况下描述希望模型执行的任务。随后，模型会调用其广泛的预训练知识，生成相关回答。

这种方法与一次样本或小样本提示形成对比：后者会给模型提供一个或少量示例来引导其输出。

零样本提示展示了 LLM 在跨领域泛化理解方面的非凡能力。仅凭清晰的指令，您就能调用模型的知识库，生成富有创意、信息量大或面向任务的内容，而无需额外训练。

我们来看一个简短示例：

提示：根据特征对该动物进行分类。动物：这种生物有八条腿，会织网，通常以昆虫为食。

输出： 蜘蛛。

在这个示例中，提示并未提供任何如何对动物进行分类或应采用何种分类的示例。同时，提示明确界定了基于给定特征的任务（对动物进行分类）。

大语言模型利用其关于动物及其特征的广博知识进行分类，并根据关键特征正确识别出所描述的生物是蜘蛛。它只给出所要求的分类，体现了其严格遵循指令的能力。

零样本提示无需面向任务的微调，极大拓展了模型可执行任务的范围，并使非技术用户也能更便捷地使用高级能力。

零样本提示的工作原理

要理解零样本提示的工作方式，必须明确两个关键方面：LLM 的预训练以及提示设计的概念。

语言模型预训练

LLM 在海量数据集上进行广泛的预训练，这是其零样本能力的基础。预训练过程如下：

1. 数据收集： LLM 从多种来源获取多样化文本数据，规模可达数千亿词。
2. 分词（Tokenization）：将文本拆分为称为“词元”的更小单位，可能是词、子词或字符。
3. 神经网络架构： 模型通常基于 Transformer 架构，通过多层神经网络处理这些词元。
4. 预测式训练：给定前文词元，训练模型预测下一个词元。
5. 模式识别： 通过这一过程，模型学会识别语言中的语法、句法与语义关系等模式。
6. 知识获取： 构建跨越多类主题与领域的广博知识库。
7. 上下文理解： 学习理解上下文，并生成与情境相符的回应。

这为 LLM 提供了进行零样本提示所需的知识、理解与适应性。得益于广泛的预训练，这些模型即便未针对某任务进行过显式训练，也能通过理解并回应自然语言提示来完成任务。

提示设计

有效的提示设计是零样本提示成功的关键。它连接了用户意图与模型能力。那我们如何确保提示有效？不妨看看这些策略：

指令清晰

提示应提供明确、不含糊的指令，将所需任务传达给 LLM。

示例：“将下列英文句子翻译成法语：”该提示清楚说明任务（翻译）并指明源语言（英语）与目标语言（法语），避免误解。

任务框定

以能充分利用模型既有知识与能力的方式来框定任务。

示例：“将这篇影评的情感分类为正面、负面或中性：”该提示将任务设定为具有明确类别的分类问题，契合模型在文本分类方面的训练。

提供上下文

加入相关背景信息，帮助模型理解任务的要求与约束。

示例：“鉴于此处的‘Python’指的是一种编程语言，请解释什么是 Python：”该提示提供了关键语境（Python 为编程语言而非蛇），确保模型聚焦于相关信息。

规定输出格式

清晰定义预期的回应格式。

示例：“以项目符号列出气候变化的三大主因。”该提示明确了条目数量（三个）与格式（项目符号），从而确保结构化输出。

避免歧义

使用精确语言，避免含糊或过于开放的指令，以免模型误解。

示例：“描述水循环所涉及的具体步骤，从蒸发开始。”该提示用词精确（“具体步骤”“水循环”），并提供起点，降低误解几率。

使用自然语言

以自然、对话式的方式表述提示。

示例：“想象您是一位职业顾问。您会给刚毕业、正在寻找第一份工作的大学生哪些建议？”该提示采用会话语气并设定贴近场景，促使模型给出更自然、吸引人的回应。

迭代完善

若初始结果不理想，可通过增加细节或调整表述来优化提示。

示例： 初始提示：“跟我讲讲可再生能源。” 优化后提示：“说明三种最常见的可再生能源类型、其优势，以及当前落地面临的挑战。” 这展示了如何将宽泛的初始提示优化为更聚焦、更全面的回应。

零样本提示的优势

与其他技术相比，零样本提示具有显著优势。

其中之一是极强的灵活性。这让 LLM 无需任务特定训练数据即可适配多种任务。灵活性至关重要，因为单一模型即可在多个领域执行众多任务，从语言翻译到情感分析再到内容生成。它还能立即适应新任务，无需耗时的再训练或微调流程。

此外，零样本模型可以处理此前未被明确考虑的新情境或新任务。您也可以仅通过调整提示来定制模型行为以满足特定需求，而无需修改底层模型。

随着模型通识知识的增长，其处理多样任务的能力也会自然提升，而无需面向任务的干预。

零样本提示在效率方面同样优势明显，尤其体现在时间与资源节省上。它无需构建庞大的任务特定数据集，而这往往既费时又昂贵。

它也不再依赖标注训练数据，从而降低成本并减少人工标注带来的潜在偏见。由于无需任务特定微调，计算需求显著降低。新应用的上线更快，因为无需等待数据收集与模型训练。单一模型可处理多种任务，减少对多个专用模型的需求。通过提示工程可以快速迭代与改进，而无需再训练。

让我们对比一下传统流程与零样本提示在开发情感分析工具时的差异：

这一对比展示了零样本提示可带来的显著时间与资源节省，从而加速各领域AI 部署与落地。

零样本提示的应用

零样本提示在多个领域催生了新的用法。下面我们看看这一技术在哪些重要方向上发挥了作用。

文本生成

零样本提示在各类文本生成任务中表现出色，使模型无需特定训练就能产出多样内容，包括摘要写作、创意写作与翻译。以下是一些示例：

分类与情感分析

零样本提示可用于多种分类任务，包括主题分类、情感分析与意图分类，而无需标注训练数据。

问答

零样本提示使模型能够基于通识知识与语言理解能力回答多种类型的问题，如事实型、解释型与对比型问题。

零样本提示的局限

尽管零样本提示能力强大，但了解其局限与挑战同样重要。

准确性

零样本提示虽强，但未必总能达到针对特定任务专门训练模型的准确度。其限制来自以下因素：

• 缺乏任务特定优化： 经微调的模型受益于面向任务的数据训练，因而在该任务上往往更准确。
• 解释的可变性： 模型对提示的理解未必总与用户意图完全一致，可能导致不准确。
• 复杂任务处理： 高度专业或复杂任务可能需要比零样本提示单独所能达到的更细腻的理解。

对提示的敏感性

零样本提示的性能对提示措辞可能非常敏感。

• 措辞变化： 词汇或句式的细微变化都可能改变模型对任务的理解。
• 指令清晰度： 模糊或不精确的指令可能导致出乎意料或不一致的结果。
• 情境依赖： 提示的有效性可能因具体输入或应用情境而异。

我们来看一个具体示例，使用同一段文本，解释不同提示的输出。这将说明提示的细微变化如何导致模型给出不同回应。

我们将使用以下示例文本：

示例文本：“工业革命发生在18至19世纪，这一时期，欧洲和美洲以农业为主的农村社会转变为工业化、城市化的社会。在18世纪末工业革命于英国兴起之前，制造业通常在家庭中完成，使用手工工具或简单机器。工业化标志着向动力驱动的专用机器、工厂和大规模生产的转变。钢铁与纺织工业以及蒸汽机的发明，在工业革命中发挥了核心作用，同时运输、通信和银行体系也得到改进。”

现在，我们应用三条不同的提示：

提示 1：“用一句话总结这段文字：”

结果 1： 工业革命是18至19世纪的一段变革时期，使欧洲和美洲社会从农业社会转向工业社会，其特征是工厂兴起、大规模生产以及制造、交通和通信方面的技术进步。

这一回答以一句话精炼概括了工业革命的本质、时间跨度、发生地区与关键特征。

提示 2：“请给出以下内容的简要总结：”

结果 2： 工业革命是18至19世纪的重要变革时期，主要影响欧洲和美洲。它标志着社会从农业、农村向工业、城市的转型。在此之前，制造业通常在家庭中以简易工具完成。工业革命带来了动力驱动的机器、工厂与大规模生产方法。钢铁与纺织等关键行业发挥了重要作用，蒸汽机的发明亦然。该时期还见证了交通、通信与银行体系的进步，深刻改变了经济与社会格局。

这一回答较第一条更长、更详尽，涵盖了更多方面，包括对特定行业的影响与更广泛的社会变迁。模型将“简要总结”解读为允许使用多句话并进行更全面的阐述。

提示 3：“这段文字的中心思想是什么？”

结果 3： 这段文字的中心思想是工业革命期间社会从农业社会向工业社会的根本转变，强调了18至19世纪欧洲与美洲在制造方式、技术与城市发展方面发生的重大变化。

这一回答聚焦于段落的核心主题而非罗列所有细节，指出关键转型（从农业到工业），并提及变化的大方向，而未深入具体如钢铁与纺织业或蒸汽机。

偏见

用于零样本提示的预训练模型可能反映其训练数据中的偏见，从而产生有问题的输出：

• 人口学偏见： 可能在种族、性别、年龄或其他人口学因素上产生有偏结果。
• 文化偏见： 模型的回应可能偏向某些文化视角。
• 新近性偏见： 训练数据中更为常见的信息（通常较新）可能在模型知识中被过度代表。
• 刻板印象： 模型可能强化训练数据中存在的有害刻板印象。

理解这些局限与挑战，是有效使用零样本提示的关键。您需要意识到潜在的不准确性、精心进行提示设计的重要性，以及对输出进行批判性评估以发现可能的偏见。

如果您对该主题感兴趣，欢迎查看这门AI 伦理课程。

结论

在本教程中，我们了解到，零样本提示是一种无需特殊训练数据或微调模型，就能以强大而灵活的方式处理众多语言任务的技术。

通过精心设计的提示，零样本提示使 LLM 能够执行多种任务，如文本生成、分类与问答。

它免除了任务特定数据收集与模型训练的需求，大幅降低了部署 AI 解决方案所需的时间与资源。

这种方法也让非技术人群更容易获得高级 AI 能力，因为只需用自然语言描述任务，就能完成复杂工作。

不过，零样本提示在准确性、对提示的敏感性以及潜在偏见方面存在局限。理解这些挑战对于负责任且有效的使用至关重要。

现在，是将所学付诸实践的时候了！我鼓励您在自己的项目中探索零样本提示，尝试不同的提示与任务。尽情发掘这项技术在您工作中的潜力——祝您玩得开心！