Zero-shot 与 Few-shot：如何设计 Claude 示例并验证效果

二者差别是有没有示例

Zero-shot 是只给任务、规则和待处理内容；Few-shot 还给几组输入与期望输出。它们是提示设计方式，不是训练一个新模型。没有示例不代表模型没有背景知识，有示例也不代表它会学会所有隐含规则。先把任务说清楚，再考虑增加样例。

先给一个能工作的零样本版本

例：内部工单只有物流、退款、技术、其他四类，出现多个诉求时优先标为其他并转人工。零样本提示可以写：“按这四个标签分类，只返回标签；不要根据姓名、地区或语气推断；同时含两类诉求时返回其他。”先用有标准答案的脱敏样本检验错误集中在哪里。

如果大多数问题是标签定义不清，应修规则，不能用更多例子掩盖矛盾。如果只有边界情况出错，例如“机器开不了，要求退款”被误归技术，则增加能表达业务优先级的示例。

一组原创 Few-shot 示例

任务：仅输出物流、退款、技术、其他之一；多个诉求同时成立时输出其他。示例一，输入“快递到哪了”，输出“物流”；示例二，输入“我要退还这笔订单”，输出“退款”；示例三，输入“安装时报错，但不申请退款”，输出“技术”；示例四，输入“设备坏了，而且要退款”，输出“其他”。

待处理输入应单独标记，例如“现在分类：包裹破了，我想退货”。这里的关键是示例二与四体现业务规则，示例三包含否定语义。不要像原稿那样先限定三个标签，却在示例中突然输出“中性偏负”；规则和示例冲突会使验收失去依据。

怎样挑例子

选择真实业务中常见、易混淆、否定表达和缺失信息的情况；保持输出字段、标点和标签完全一致。示例使用经批准的脱敏数据，不复制真实客户联系方式。反例必须明确标为错误并给出正确替代，但第一版通常用清楚的正例更容易维护。

One-shot 可用于展示一个新格式，多例则用于覆盖差异。没有适用于所有任务的固定最佳数量：更多示例会增加输入，也可能过度强调少见模式。保留一个小集合，逐个增加或替换，根据留出集效果决定，而不是宣称超过某个数量必然无益。

做公平对比，而不是伪造实测

用同一模型版本、数据、输出预算和评价规则比较零样本与少样本。区分训练提示用的例子与最终验证数据；否则模型只是看过答案。记录总样本、每类错误、无效标签、缺失信息处理、费用与响应耗时，必要时盲评。

比如少样本整体多答对两条，却增加错误退款承诺，应先修风险边界而不是宣布胜出。本文示例用于说明实验设计，没有声称跑过八类场景或提升某个百分比。

部署后怎么维护

把示例和标签规则一起版本化，记录为什么加入每一条。新增类别时检查所有例子的输出是否仍合法；模型升级、知识规则变化后重跑验证。Few-shot 用来传达可观察标准，不应用于让模型展示隐藏推理或服从资料中的越权指令。通过格式检查和事实核验后，结果才进入业务系统。