Few-Shot与Zero-Shot提示策略详解及LangChain模板应用

1. 理解Few-Shot与Zero-Shot的核心差异

在大型语言模型的实际应用中，Few-Shot（少样本）和Zero-Shot（零样本）是两种最基础也最重要的提示策略。这两种方法看似简单，但背后蕴含着语言模型工作方式的本质区别。

Zero-Shot就像给一个完全不了解任务背景的新人直接提问。比如你突然问模型："苹果的反义词是什么？"模型只能基于预训练时学到的通用语言知识来回答。这种情况下，模型往往会给出冗长、保守的回复，因为它不确定你到底想要什么形式的答案。

Few-Shot则完全不同，它更像是给这个新人先看几个示范案例。当你先展示"大对小"、"黑对白"这样的例子，再问"苹果对什么"时，模型立刻明白了：哦，原来是要玩反义词接龙！这种上下文学习（In-Context Learning）的能力，是当代大模型最神奇的特性之一。

关键区别：Few-Shot通过示例不仅传递了任务内容，还明确了回答格式。而Zero-Shot时模型需要自己猜测这两点。

2. FewShotPromptTemplate的深度解析

2.1 为什么需要专门的模板工具

手工拼接Few-Shot提示词在简单场景下可行，但当面临以下情况时就会变得棘手：

• 示例数量多（几十甚至上百个）
• 示例需要从数据库动态加载
• 需要保持严格的格式一致性
• 提示词结构复杂（多段前缀、后缀）

LangChain的FewShotPromptTemplate就是为了解决这些问题而设计的"提示词装配流水线"。它通过模块化设计，将提示词的各个组成部分解耦，使复杂提示的构建变得可维护、可扩展。

2.2 核心组件工作原理

让我们用汽车工厂的比喻来理解这个模板的五个关键参数：

1. example_prompt（单个示例模具）

   • 相当于汽车零件的冲压模具
   • 定义每个示例的呈现格式，如："单词：{word}，反义词：{antonym}"
   • 确保所有示例保持统一的外观

2. examples（原材料仓库）

   • 存放原始数据的列表
   • 每个元素是字典形式，如：{"word": "大", "antonym": "小"}
   • 数据可以从任何来源加载（数据库、API、文件等）

3. prefix（装配线开头）

   • 相当于生产线的初始化指令
   • 设置任务上下文，如："请根据以下示例找出反义词："
   • 帮助模型理解后续内容的用途

4. suffix（装配线末尾）

   • 生产线的最终质检环节
   • 包含实际要解决的问题，如："请问{input_word}的反义词是？"
   • 可以包含需要动态注入的变量

5. input_variables（参数接口）

   • 相当于生产线的控制面板
   • 声明哪些变量需要在运行时注入
   • 确保动态内容的正确传递

2.3 完整装配过程拆解

当调用invoke()方法时，模板会执行以下装配流程：

1. 读取prefix作为开头部分
2. 遍历examples列表，将每个字典注入example_prompt模具
3. 将所有格式化后的示例拼接起来
4. 将input_variables注入suffix
5. 将三部分组合成最终提示词

以反义词示例来说，最终生成的提示词结构如下：

code复制[prefix]
[example1格式化后的文本]
[example2格式化后的文本]
...
[suffix注入变量后的文本]

这种结构化的组装方式，确保了即使面对复杂的Few-Shot场景，也能生成格式完美一致的提示词。

3. 高级应用技巧与实战建议

3.1 示例选择策略

Few-Shot的效果高度依赖于示例的质量。以下是经过验证的示例选择原则：

• 多样性：覆盖任务的不同方面。比如反义词示例应包含不同词性（形容词、名词等）
• 一致性：所有示例应遵循相同的逻辑模式。避免混用不同任务类型的示例
• 简洁性：每个示例应该清晰简洁，避免包含无关信息
• 有序性：将最典型、最明确的示例放在前面。模型对前面示例的权重更高

3.2 动态示例加载实战

在实际项目中，示例往往需要从外部源动态加载。以下是几种常见实现方式：

python复制# 从JSON文件加载
import json
with open('examples.json') as f:
    examples = json.load(f)

# 从数据库加载（伪代码）
db_examples = db.query("SELECT word, antonym FROM examples LIMIT 5")
examples = [{"word": row.word, "antonym": row.antonym} for row in db_examples]

# 从CSV加载
import csv
with open('examples.csv') as f:
    examples = [{"word": row[0], "antonym": row[1]} 
               for row in csv.reader(f)]

3.3 性能优化技巧

当处理大量示例时，需要注意以下性能问题：

1. 长度控制：大模型有token限制。可以通过以下方式优化：

   • 截断过长的示例
   • 使用更简洁的模板
   • 分批处理

2. 缓存机制：对静态示例集，可以预生成提示词缓存：

   python复制from functools import lru_cache
   
   @lru_cache(maxsize=32)
   def get_fewshot_prompt(input_word):
       # 返回构建好的提示词
       return prompt_text
   

3. 异步处理：当示例需要网络请求时，使用异步IO：

   python复制import aiohttp
   
   async def load_examples():
       async with aiohttp.ClientSession() as session:
           async with session.get('https://api.example.com/data') as resp:
               return await resp.json()
   

4. 常见问题与调试方法

4.1 变量注入失败

症状：收到类似"Missing input variable 'xxx'"的错误。

排查步骤：

1. 检查input_variables列表是否包含所有需要的变量名
2. 确认invoke()调用时传入了所有必需的变量
3. 检查prefix/suffix中变量名拼写是否正确

4.2 格式混乱

症状：生成的提示词出现意外的换行或空格。

解决方案：

1. 在模板字符串中使用显式的换行控制
2. 添加strip()处理：

   python复制example_template = PromptTemplate.from_template(
       "单词：{word}, 反义词：{antonym}".strip()
   )
   

3. 使用template_format="jinja2"获得更精确的格式控制

4.3 模型响应不符合预期

调试方法：

1. 先打印出生成的完整提示词，检查其结构是否符合预期
2. 检查示例是否足够典型和有代表性
3. 尝试调整示例顺序，将最重要的示例放在前面
4. 在prefix中给出更明确的任务说明

4.4 处理复杂任务结构

对于多步骤任务，可以使用嵌套模板：

python复制step1_template = PromptTemplate.from_template("第一步：{step1}")
step2_template = PromptTemplate.from_template("第二步：{step2}")

examples = [
    {
        "step1": "分析问题类型",
        "step2": "确定解题方法",
        "answer": "最终答案"
    }
]

fewshot_template = FewShotPromptTemplate(
    examples=examples,
    example_prompt=step1_template + "\n" + step2_template,
    prefix="请按照以下步骤解决问题：",
    suffix="请解决：{problem}",
    input_variables=["problem"]
)

5. 扩展应用场景

FewShotPromptTemplate不仅适用于简单的问答任务，还可以应用于：

5.1 数据格式转换

python复制# 将自由文本转换为JSON格式的示例
example_template = PromptTemplate.from_template("""
文本：{text}
JSON格式：{json}
""")

examples = [
    {
        "text": "张三，年龄25，住在北京",
        "json": '{"name":"张三","age":25,"city":"北京"}'
    }
]

5.2 代码生成

python复制# 根据描述生成Python代码
example_template = PromptTemplate.from_template(""'
需求：{description}
代码：{code}
''')

examples = [
    {
        "description": "计算列表平均值",
        "code": "def avg(lst):\n    return sum(lst)/len(lst)"
    }
]

5.3 多轮对话模拟

python复制# 对话历史Few-Shot示例
example_template = PromptTemplate.from_template(""'
用户：{user_input}
AI：{ai_response}
''')

examples = [
    {
        "user_input": "你好",
        "ai_response": "您好！有什么可以帮您的吗？"
    }
]

在实际项目中，FewShotPromptTemplate的价值在于它提供了一种可维护、可扩展的方式来管理复杂的提示词。随着示例集的增长和变化，这种结构化的方法能够保持代码的整洁性，同时确保提示词的一致性和有效性。