零样本提示：不喂示例如何驱动大模型

你给大模型布置任务时，最省事的方式是什么都不示范，只说清要它做什么。这种不给任何范例、仅靠一条指令驱动模型的做法，就是零样本提示（Zero-shot Prompting）。本教程讲清它的原理、写好指令的要点、与少样本提示如何取舍，以及在推理模型下的表现与常见失败模式。

什么是零样本提示

零样本提示指的是：在提示中不给任何「输入到输出」的范例，直接描述任务并让模型生成结果。与之相对，少样本提示（Few-shot Prompting）会在提示里塞进若干范例，引导模型模仿格式与风格。

其底层原理是大模型的「指令遵循」与「上下文学习」能力：当模型规模足够大时，仅凭自然语言指令就能理解意图并调用已有知识完成任务，而不必通过范例来「演示」该怎么做。少样本提示的能力最早由 Brown 等人于 2020 年在论文「Language Models are Few-Shot Learners」中系统论证，零样本则是其中最极端的边界情况（范例数为零）。已核验

零样本提示：
把下面这句话翻译成英文：今天天气真好。

少样本提示（给出范例）：
中文：你好。 -> 英文：Hello.
中文：再见。 -> 英文：Goodbye.
中文：今天天气真好。 -> （模型续写）

写好零样本指令的要点

零样本没有范例兜底，指令本身的清晰度直接决定结果质量。一条合格的指令通常包含四个要素：

• 明确角色：指定模型扮演的视角，例如「你是一名资深译者」「你是一名严谨的审核员」。
• 明确任务：用动词讲清要做什么，避免「处理一下」这类含糊表述。
• 明确格式：规定输出的结构，例如「用 JSON 返回，字段为 title 与 summary」「分三条要点回答」。
• 明确约束：列出边界条件，例如「不超过 100 字」「只输出代码不要解释」「若信息不足就回答不确定」。

推荐指令模板：
你是一名[角色]。
任务：[具体动作 + 对象]。
输出格式：[结构要求]。
约束：[限制条件]。

把四要素写全，往往比堆砌范例更省 token，也更可控。

与 Few-shot 的取舍

零样本与少样本不是替代关系，而是按任务复杂度分工：

• 优先零样本：任务定义清晰、模型训练数据覆盖充分、格式容易用文字描述。例如分类、改写、翻译、简单抽取。
• 改用少样本：任务有隐蔽的格式约定、需要特定语气风格、或零样本反复出错。例如固定字段的报表生成、特定领域的标签体系、带样板的话术。
• 成本控制：少样本会随范例数线性膨胀 token，且范例若与测试分布不符反而带偏模型。能零样本解决的，不必强行加范例。

实践中常见策略是先零样本跑通，仅在命中失败模式时再补 2 到 3 个范例升级为少样本。

推理模型下的零样本表现

当代推理模型（具备内部长链推理能力的 GPT 系列等）在零样本下表现尤其稳健。OpenAI 的提示指南指出：这类模型在你给出清晰目标、强约束与明确输出约定时效果最好，而不必规定每一步中间过程。已核验

原因在于推理模型已把思维链内化，无需用户手动示范推理步骤或提供范例来「唤醒」推理。因此面向推理模型，零样本常是首选；额外叠加少样本或显式思维链提示，不仅收益有限，还可能挤占上下文、限制模型自主规划。至于「推理模型是否应完全禁用少样本」，不同任务结论不一，建议以实测为准。待核实

失败模式与对策

零样本最常见的几种失效与应对：

• 输出格式漂移：模型没按约定结构返回。对策是在指令里给一份格式骨架或明确分隔符。
• 任务理解偏差：模型答非所问。对策是补一句「先复述你的理解，再执行」，或把动词改得更具体。
• 幻觉与过度发挥：模型编造信息或自作主张加戏。对策是加硬约束「只依据给定材料，不得推断」「不得添加解释」。
• 复杂多步任务崩坏：单条指令覆盖不了长流程。对策是改用提示链（prompt chaining）拆分步骤，或引入少样本示范。

格式约束示例：
用如下 JSON 输出，不要任何额外文字：
{"label": "正面|负面|中性", "reason": "一句话理由"}

小结

零样本提示是不给任何范例、仅靠一条清晰指令驱动模型的方式，适合定义明确、模型已覆盖的任务。写好它的关键是把角色、任务、格式、约束四要素写全。它与少样本是分工而非对立：先零样本跑通，遇失败模式再升级为少样本。在推理模型上，零样本常是首选，不必额外叠加思维链或范例。

参考与延伸阅读

Brown Tom 等人. Language Models are Few-Shot Learners. NeurIPS 2020.

OpenAI. Reasoning models 提示指南（平台文档，给出清晰目标与约束优于规定中间步骤）.

本栏目相关：思维链提示（CoT）、少样本提示、系统提示词设计。