跳至主要內容

AI提示詞工程 Prompt Engineering-單元-03-基礎提示技術（Zero-shot、One-shot 與 Few-shot Prompting）

 如果現在來了一位新實習生幫你處理公文，你如何指示他完成工作？：

  • Zero-shot（零樣本提示）：就像「直接交辦任務」。你只跟他說「請把這封信分類為正面或負面」，不給他任何過去的範本，完全考驗他原本的理解能力。
  • One-shot（單樣本提示）：就像「附上一份範本」。你給他看過往處理過的 1 個 成功案例，讓他仿照那個格式來填寫。
  • Few-shot（多樣本提示）：就像「附上 3～5 份多樣化的範本」。你給他看多個不同情境的示範，讓他迅速抓到規則與寫作模式，大幅降低做錯的機率。

🎯 核心重點

  1. Zero-shot Prompting（零樣本提示）：
    • 最簡單的提示類型，完全不提供任何示範例子，僅給出任務說明或問題。
    • 當 Zero-shot 無法精準引導模型產出符合結構或風格的答案時，就需要升級使用 One-shot 或 Few-shot。
  2. One-shot & Few-shot Prompting（單樣本與多樣本提示）：
    • One-shot：提供 1 個 示範範例，讓模型進行模仿。
    • Few-shot：提供 多個 示範範例（展現特定模式）。
    • 範例數量的黃金法則：通常建議提供 3 到 5 個 高質量的範例（亦可從 6 個開始測試），複雜任務可適度增加，但需注意不要超過模型的 Token 長度限制。
  3. 高品質 Few-shot 範例的挑選原則：
    • 相關性與高品質：範例必須極度精準且撰寫良好，因為模型會忠實模仿，範例中的微小錯誤都會混淆模型。
    • 加入邊界案例（Edge Cases）：若希望模型能處理罕見或異常的輸入，必須在範例中加入極端或不尋常的案例。
  4. 分類任務的過擬合避坑技巧（Mix up the classes）：
    • 在進行文字分類的 Few-shot 提示時，必須打散（混合）範例中標籤類別的出現順序（例如不要全部 Positive 放在前面，Negative 放在後面），避免模型「過度擬合（Overfitting）」，也就是只會死記順序規律，而非學習文本特徵。

💡 實際例子

假設你是公司的客服主管，希望 AI 幫你把客戶在網站上的留言，自動轉成「問題類別｜優先度」 的輸出格式。

1. Zero-shot（零樣本提示：完全不給範例）

  • 你發給 AI 的提示詞：

    請將以下客戶留言分類為「問題類別」與「優先度」：
    留言：「產品收到時外盒嚴重壓爛，裡面的機器無法開機！」

  • AI 的輸出結果：

    類別：硬體損壞
    優先度：高

  • 運作解析：你完全沒教它格式長怎樣或什麼叫高優先度（0 個範例），全憑 AI 自身的基礎理解去判斷與輸出。

2. One-shot（單樣本提示：給 1 個範例）

  • 你發給 AI 的提示詞：

    請模仿範例格式，將客戶留言轉為類別與優先度。

    【範例 1】
    留言：「請問你們的退換貨政策在哪裡看？」
    結果：類別：一般諮詢｜優先度：低

    【現在輸入】
    留言：「我付完款後系統顯示失敗，但信用卡卻被重複扣款兩次！」

  • AI 的輸出結果：

    結果：類別：金流異常｜優先度：高

  • 運作解析：因為你給了 1 個 示範（One-shot），AI 不僅能精準模仿「結果：類別：XX｜優先度：XX」這種單行格式，也抓到了分類的邏輯。

3. Few-shot（多樣本提示：給 3~5 個多樣化範例）

  • 你發給 AI 的提示詞：

    請將客戶留言轉為固定格式（類別｜優先度）：

    【範例 1】 留言：「請問這款衣服有黑色 L 號嗎？」 -> 類別：商品庫存｜優先度：低
    【範例 2】 留言：「使用到一半忽然冒煙噴火，差點燒到手！」 -> 類別：安全事故｜優先度：緊急
    【範例 3】 留言：「包裹已經三天沒更新物流狀態了。」 -> 類別：配送問題｜優先度：中

    【現在輸入】 留言：「手機 APP 更新後一直閃退，完全打不開！」

  • AI 的輸出結果：

    -> 類別：軟體異常｜優先度：高

  • 運作解析：你給了 3 個涵蓋不同情境與緊急程度的範例（Few-shot）。AI 看到「安全事故（緊急）」與「庫存詢問（低）」的對比後，能更精準判斷「APP 閃退」屬於「軟體異常」，且優先度高於一般諮詢但低於實體安全事故。

❌ 常見錯誤

  1. 在 Few-shot 範例中留有小錯誤或不一致的格式：模型具備極強的模式模仿能力，範例中任何標點符號或拼字錯誤都會被模型複製到最終輸出中。
  2. 分類任務中範例順序沒有打散：如果 Few-shot 範例順序永遠是「正面 -> 正面 -> 負面 -> 負面」，模型可能會誤以為輸出結果也必須遵循此週期，導致判斷失真。
  3. 範例過多導致 Token 超限：雖然範例多有助於理解，但若超出模型的 Input Token 限制，反而會導致提示詞被切斷或增加運算成本。

📖 來源依據

內容依據《Prompt Engineering》教材：

  • Zero-shot 定義與影評分類範例：第 13–15 頁
  • One-shot & Few-shot 定義與建議數量：第 15–16 頁
  • 披薩訂單 JSON 格式 Few-shot 範例：第 16–17 頁
  • Few-shot 範例品質與 Edge Cases：第 17、54 頁
  • 分類任務混合類別順序：第 59–60 頁

📝 3 題理解測驗

第 1 題（單選題） 關於 Zero-shot、One-shot 與 Few-shot 提示技術的比較，下列哪一項描述是正確的？ (A) Zero-shot 意指完全不需要寫提示詞，模型就會自動產生答案。 (B) Few-shot 是指在提示詞中提供多個範例，通常建議以 3 到 5 個高質量範例為基準原則。 (C) One-shot 效果永遠比 Few-shot 好，因為單一範例不會干擾模型的發揮。 (D) Few-shot 範例數量越多越好，不需要考慮模型輸入 Token 的長度限制。

第 2 題（單選題） 在設計分類任務（如郵件垃圾分類：垃圾郵件 / 一般郵件）的 Few-shot 提示詞時，教材特別強調了哪一個最佳實踐（Best Practice）？ (A) 範例必須全部使用「垃圾郵件」，讓模型專注學習單一類別。 (B) 必須將不同類別的範例順序混合打散（Mix up the classes），避免模型對範例順序過擬合。 (C) 範例中絕對不能包含異常或邊界案例（Edge cases），以免干擾模型判斷。 (D) Temperature 必須調整到最大值（1.0），才能讓 Few-shot 範例發揮最大效果。

第 3 題（應用簡答題） 假設你希望 LLM 把非結構化的客戶留言，精準轉換成符合你公司系統要求的 JSON 格式。 請問你會選擇 Zero-shot 還是 Few-shot？請結合本單元學到的觀念說明原因。

請告訴我你的答案（例如：1. B 2. B 3. [你的回答]）！回答後我會為你解析。

測驗答案：（參考）
第1題：B。Few-shot 提示的核心就是提供多個示範（通常建議 3~5 個高品質範例），讓模型進行模式模仿。
第2題：B 。在分類任務中混合打散範例的類別順序（Mix up the classes），能防止模型對範例出現的順序產生「過擬合（Overfitting）」與死記。
第3題：選擇Few-shot。因為客戶留言是多樣性的，含括了不同的情境，所以給予LLM多個不同情境的示範，讓他可以更迅速地抓到規則與寫作模式，將大幅降低做錯的機率。

註：

這「學習系列」的文章，是記錄自己與AI一起探索知識的過程，也是我將AI做為私人家教的一項試驗。對於如何藉由Ai輔助自我學習，請參考這篇：
https://blog.udn.com/tku_89056/192561353
https://goldenbird-willy.blogspot.com/2026/09/gemini-notebook-ai.html

學習教材：《Prompt Engineering》
本書探討了提示工程的核心概念、多種進階技巧、以及最佳實務（use cases）。內容涵蓋如何設定大型語言模型的輸出長度與取樣參數，並且介紹零樣本、少樣本、角色扮演、思維鏈、以及如何結合外部工具的推理與行動等實用策略。此外，本書也示範了如何利用人工智慧來編寫、解釋、翻譯和除錯程式碼。最後，本書提供了多項專業的建議，例如簡化提示設計、優先使用正面指令、利用如JSON的結構化格式、以及落實詳盡的版本記錄與迭代。
本書作者Lee Boonstra是一名人工智慧軟體工程師、技術主管和系統架構師，在谷歌全球首席技術官辦公室（OCTO）、應用創新工廠等擁有10年以上的資歷。
免費下載：https://www.kaggle.com/whitepaper-prompt-engineering

標籤：

留言

發佈留言

此網誌的熱門文章

GoldenBird_Willy_品牌来信001：从麦肯锡的《中国奢侈品报告2019》可以学到什么？

您好， 先祝愿您和家人健康平安！安全安心度过新冠病毒的疫情时期。 《中国奢侈品报告 2019 》（注1），这份出自全球顶尖商业谘询公司麦肯锡的品牌调查报告，除了内容之外，我提供两个亮点，让您得到更多的益处。 第一、依循《金字塔原理》的写作方式。 做为专业的商业人才，必须具备高效的写作表达技巧，不论是应用在您的策划案、简报制作、甚至社交软件上。 麦肯锡的谘询顾问的解决问题思维、以及报告写作结构，都是以《金字塔原理》为本。例如，您可以看到在《中国奢侈品报告 2019 》中，几乎每一段落的第一句，就写出该段落的结论（重点、或方案），接下来的文字才解释为什么会提出这样的结论。简而言之，就是先讲“所以”，再来讲“因为”，这样的思维和表达方式，是不是与您的习惯很不一样。 强烈建议您购买 《金字塔原理》 这本书！当然，也要提醒您，这本书并不好读，因为它是专业的商业训练教材。您可以先在Google或百度上搜寻这本书的相关介绍和资料，我先附上一篇书评 《世界属于逻辑动物》 给您参考， 这书评认为《金字塔原理》不仅仅是训练一个人的超级沟通能力，更会强化您的超级逻辑能力，作者是美国科特勒营销集团中国区的高级顾问孙路弘，值得您看看。 第二、简洁易懂的图表制作方式。 在《中国奢侈品报告 2019 》的每一个图表，它们的呈现方式和技法，全都值得您模仿。我也 提供给您一个 模板档案 （注2），这个模版出自知名的法国设计公司之手，是提供给创业者用来制作募资策划书、简报 PPT ，您只要登录它的网页，提供您的 E-mail ，就可以顺利下载了。 希望您能够善用它，从今天起尝试用这个模板，仿效《中国奢侈品报告 2019 》，制作更有专业水平的图表及简报。 最后，想要创建坚实的品牌力量，就要准备好，如何和顾客进行有效沟通的厉害本领！ 祝 顺心 Agaruda 2020/4/15  於 Google Blogger
發佈留言
閱讀更多

如何將Gemini Notebook 打造成私人的AI家教

 這兩年，流行將AI 當作自我學習的好伙伴，用它來提升自我成長，或是建立一個專屬的知識管理系統。相關的方法和文章眾多，經由我自己親身的體驗之後，我覺得最簡單有效的，是這兩種方法，分別是MIT 的研究生之法、以及IPAS 自學路之法。 接下來先簡單的介紹這兩種方法，若你想要更完整地瞭解這些方法的內容，請參考附上的資料來源。 最後，根據我自己的體驗，我將說明這兩種方法各自適合的對象。 MIT 研究生之法 （資料來源： https://www.bnext.com.tw/article/90275/notebooklm-mit-student-three-questions） 一名麻省理工學院 (MIT) 研究生使用 Gemini NotebookLM ，然後透過三大關鍵提問，將一個學期的課程內容濃縮至48小時內完成學習，進而通過了該課程的資格考試。 問題一：找出基礎框架 將該課程的6 本教科書、15 篇研究論文、與上課講義逐字稿，上傳Gemini notebook，建立該課程知識庫的筆記本。 然後，向Gemini notebook提問！ 第一個問題是： 「這個領域所有專家共享的 5 個核心心智模型是什麼？」 （What are the 5 core mental models every expert shares?） 這個提問能讓 AI 直接汲取該課程的主要知識框架，建構完整的學術脈絡。 問題二：先找爭論，再找共識 他接著提出第二個問題： 「這個領域的專家在哪 3 個地方存在根本分歧？各方最強的論點是什麼？」 （Now show me the 3 places where experts in this field fundamentally disagree, and what each side's strongest argument is.） 探索哪些問題已有定論、哪些還在爭論中。瞭解在該課程領域內，學術界存在的共識與爭議。 問題三：高強度問答深化理解 接著是第三個問題： 「生成 10 個能區分深度理解與死背知識的問題。」 （Generate 10 questions that would expose whether someone deeply understands this subject versus some...
發佈留言
閱讀更多

點評：郎咸平談現代中國大陸的婚姻危機

最近，有部短影片《郎咸平講實話：婚姻破產四大真相，遠比沒錢殘酷一萬倍》，探討了現代中國大陸的婚姻危機，這個危機的核心，並非單純的經濟貧困或個性不合，而是「整代人生活與承擔能力的斷層」。（原影片： https://www.youtube.com/watch?v=XKGHASXQLCs&t=217s） 郎咸平教授，原是兩岸知名的財經學者，現年七十餘歲，但是老而彌堅，轉戰自媒體，往網紅之路邁進。他的頻道《郎咸平說》，涉及了總體經濟分析、社會事件批判、個人生活感悟，當然還有推銷自己的財經課程。 若把郎教授的頻道當做八卦聽聽，倒也不失為瞭解中國大陸社會的快速通道，尤其在一些熱點話題上，他分析、歸納、以及提出獨特觀點的能力，還是打敗了那些只能合法要飯的自媒體工作者。 以下，是用Ai整理影片的逐字稿，也加上了我的點評。
發佈留言
閱讀更多