高频面试题

什么是 Few-shot Learning？Zero-shot、One-shot、Few-shot 有什么区别？

这道题考察你是否理解示例在 Prompt 里的作用：不是更新参数，而是帮助模型定位任务、格式和边界。

适合阶段：Prompt 进阶核心能力：In-context Learning · 示例设计 · 工程取舍

面试官角度分析，想考什么

• Few-shot 为什么不训练也能提升效果？
  考 in-context learning。
• Zero-shot、One-shot、Few-shot 区别是什么？
  考概念边界。
• 什么时候用 few-shot，什么时候不用？
  考成本和效果权衡。
• Few-shot 和 fine-tuning 有什么不同？
  考方案选型。

可直接抄走的 30 秒参考答案

Zero-shot 是只给指令，One-shot 是给一个示例，Few-shot 是给几个示例让模型模仿任务模式和输出格式。Few-shot 不会更新模型参数，它依靠 in-context learning，让模型在上下文里识别“这个任务该怎么做”。它适合格式、风格、分类边界不容易说清的任务，但会增加 token 成本，也会占用上下文窗口。

面试回答详解，知其所以然

Few-shot 的核心不是“临时训练模型”，而是利用模型的上下文学习能力，让它从示例中识别当前任务。

1. 三者区别

• Zero-shot：只给任务说明，不给示例。适合模型已熟悉的通用任务。
• One-shot：给 1 个示例。适合主要想展示输出格式或语气。
• Few-shot：给 2 个以上示例。适合自定义分类、抽取、改写、格式转换和边界复杂任务。

2. Few-shot 的工作方式

任务说明 + 示例 1 + 示例 2 + 示例 3 + 新输入 -> 模型模仿模式输出

示例给模型提供三类信号：输入长什么样、输出长什么样、判断边界在哪里。模型参数没有变化，变化的是当前上下文里的任务条件。

3. 什么时候用

• 输出格式靠文字描述不稳定。
• 任务标准难以用规则讲清，但示例一看就懂。
• 类别、风格、判断尺度需要对齐。
• 长尾 case 容易答错，需要边界样例提醒。

4. 什么时候不用

• 简单事实问答、翻译、摘要等 zero-shot 已经稳定的任务。
• 上下文窗口紧张，示例会挤占关键资料。
• 推理模型已经能独立推理，few-shot CoT 可能干扰。
• 任务高频稳定且调用量大，fine-tuning 或小模型蒸馏可能更经济。

5. 和 Fine-tuning 的区别

• Few-shot：零训练成本、即时迭代、推理成本更高。
• Fine-tuning：训练成本高、行为可内化、推理 prompt 可更短。
• 选择逻辑：先 zero-shot，再 few-shot；如果高频稳定且收益明确，再考虑 fine-tuning。

面试官追问3个问题

追问一：Few-shot 示例越多越好吗？

• 考察点：是否理解收益递减和 token 成本。
• 回答方向：不是。示例要覆盖边界而不是堆数量，过多示例会增加成本、延迟和干扰。

追问二：One-shot 主要解决什么问题？

• 考察点：是否能区分格式示范和能力提升。
• 回答方向：One-shot 常用于展示输出格式、语气和字段结构，对复杂边界覆盖有限。

追问三：Few-shot 和 RAG 能一起用吗？

• 考察点：组合能力。
• 回答方向：可以。Few-shot 提供任务模式，RAG 提供外部知识，但要做 token 预算，避免示例挤占证据。

扩展知识

示例的三个信号

输入空间 + 输出空间 + 判断边界 = Few-shot 的主要价值

即使示例很少，也能帮助模型从海量可能任务中定位到当前任务。