Few-shot CoT：给 AI 几个示例，让它学会怎么想

这篇文章要解决什么问题

上一篇讲了 Zero-shot CoT——问题后加一句”请一步一步思考”，AI 就会展开推理。

但这一招有时不够：AI 确实在分步，但风格不是你想要的（你要严格的数学格式，它给你大白话）；或者干脆推理就错了。

这一篇讲Few-shot CoT——给 AI 几个”带推理过程”的示例让它模仿。这招其实比 Zero-shot 早 4 个月被发现（2022 年 1 月，Google Brain），但操作更复杂，所以我们放在后面讲。

读完这篇你能带走什么

• Few-shot CoT 的核心操作：给 AI 几个”带推理过程”的示例让它模仿
• 什么时候该从 Zero-shot 升级到 Few-shot
• 一个可以直接改改就用的模板

🔑 Few-shot CoT 怎么用

核心很简单：在 prompt 里给 AI 几个”问题 + 推理过程 + 答案”的完整示例，然后再抛出你的真正问题，让它模仿。

一个最小模板：

示例 1：
问题：Roger 有 5 个网球。他又买了 2 罐网球，每罐 3 个。
     他现在有多少个网球？
推理：Roger 开始有 5 个。2 罐 × 3 个 = 6 个新网球。5 + 6 = 11。
答案：11

示例 2：
问题：食堂有 23 个苹果。他们用掉 20 个做午饭，又买了 6 个。
     现在有多少个苹果？
推理：开始 23 个。用掉 20 个，剩 3 个。又买 6 个，3 + 6 = 9。
答案：9

问题：[这里写你真正的问题]
推理：

注意 prompt 在最后留了一个空的”推理：“——AI 看到这个引子就会按上面的示例风格把推理写出来，然后给答案。

这比 Zero-shot 的”请一步一步思考”更强，因为你不只是让它”分步”，还规定了分步的具体样式——每步多长、用什么语气、算式怎么写、最后怎么收尾。

和 Zero-shot 对比：强在哪里

一个直观的对比——你想让 AI 解数学题并写严格的分式计算过程：

• Zero-shot：你加”请一步一步思考”，AI 可能用大白话讲”先把 1/2 加 1/3，通分之后…”
• Few-shot：你给 2 个示例都用 \frac{1}{2} + \frac{1}{3} = \frac{3}{6} + \frac{2}{6} = \frac{5}{6} 这种正规数学符号，AI 新的问题也会用这种格式

示例怎么写才好

Few-shot CoT 的效果严重依赖示例质量。好示例有三个特征：

1. 推理步骤”可跟读”

每一步都明确写出来，不跳步。AI 会模仿你示例的”颗粒度”——如果你跳步，它也会跳。

❌ 差的示例：
问题：5 个苹果吃了 2 个，还剩几个？
推理：还剩 3 个。

✅ 好的示例：
问题：5 个苹果吃了 2 个，还剩几个？
推理：开始有 5 个。吃掉 2 个。5 - 2 = 3。
答案：3

2. 示例要有多样性

如果你的真实问题有多种类型，每种类型给一个示例。都给同一种容易让模型以为”只有这一类问题”。

3. 示例数量：2-5 个就够

经验上 2-5 个示例通常就够了——再多 prompt 会变长，但效果提升不明显。原论文测试过 1 到 8 个不同数量，整体趋势是多给一点通常更好；日常用途下 3 个左右是常见选择，不用死记数字。

什么时候从 Zero-shot 升级到 Few-shot

按这个顺序判断：

1. 先试 Zero-shot（加一句”请一步一步思考”）
2. 如果 AI 的推理对了但风格不对——升级到 Few-shot，用示例规定风格
3. 如果 AI 的推理干脆就错了——升级到 Few-shot，用示例校正思路（但注意：Few-shot 只能引导推理格式和路径，不能修复模型本身的能力上限。如果换了好示例还是错，可能要换更强的模型）
4. 如果 Zero-shot 已经满足你——不用升级，Few-shot 更贵（prompt 变长 = 花更多 token）

换句话说：Zero-shot 是”让 AI 想”，Few-shot 是”让 AI 按我的方式想”。大部分场景前者够了；只在对推理风格或准确性有高要求时再上后者。

下一步

Zero-shot 和 Few-shot 加起来覆盖了 CoT 的基本用法——大部分需要推理的场景，用对其中一招就能解决。

再往下有更进阶的变种——Self-Consistency（让 AI 想几次取最一致的答案）、Tree of Thoughts（让 AI 分叉思考多种路径再比较）——那就是另外的文章了。