logo

人工智能通识教程

作者:蛮不讲李2026.11.16 11:12浏览量:1

简介:零样本提示与少样本提示的设计对比与选型指南

一、对比背景:为什么要在“零样本”与“少样本”之间做选择

1.1 从“一句话指令”到“提示词工程”

在大模型(大语言模型)应用开发中,提示词已经成为影响应用效果的第一道工程关口。同样一个问题,交给同一个模型处理,提示词写得清楚与写得含糊,输出质量可能相差很远。这一现象催生了提示词工程(Prompt Engineering):把“向模型描述任务”当成可设计、可复用、可评测、可迭代的工程活动来对待,而不是凭感觉反复试。

围绕“怎么向模型描述任务”,业界形成了两条基础且应用最广的设计路径:

  • 零样本提示(Zero-shot Prompting):只给出任务说明,不提供任何示例,依靠模型已有的通用能力完成任务;
  • 少样本提示(Few-shot Prompting):在任务说明之外,附带若干个“输入—期望输出”示例,让模型参照示例完成同类任务。

两者看起来只差“是否举例”这一步,但在构建方式、上下文消耗、输出稳定性、迭代成本、适用边界等方面存在系统性差异。本节从提示词的定义、作用与设计原则出发,对两种策略进行系统对比,并给出场景化的选型思路。

1.2 两类策略在人工智能通识框架中的位置

从通识角度看,让模型适配具体任务大致有三种路径:

  1. 提示词设计:不改变模型参数,只改变输入内容与结构。零样本提示与少样本提示都属于这一层。
  2. 检索增强生成(RAG):在生成前从外部知识库检索相关片段,连同问题一起交给模型,主要解决模型“不知道外部或实时知识”的问题。
  3. 模型微调:用任务数据继续训练,改变模型权重,主要解决大规模、高稳定性的专用任务适配问题。

三条路径并不是互相替代关系。实际项目中通常先用提示词设计把任务描述清楚,再用检索补足知识,最后才评估是否需要微调。而零样本与少样本的选择,正是提示词设计环节中最早要做的决策之一:它能以较低成本决定“能不能把任务描述清楚”,从而影响后续要不要引入示例库、要不要上检索、要不要训练专用模型。

二、对比对象定义

2.1 提示词:定义、组成与作用

提示词,是提交给大模型的结构化指令输入。通俗地说,就是用户或开发者写给模型的“任务说明书”。它在结构上通常包含以下要素:

要素 含义 缺失时的常见问题
角色设定 告诉模型以什么身份、面向什么对象作答 语气、专业程度不稳定,表达风格漂移
任务描述 说明要完成的具体动作 模型自行猜测意图,答非所问
上下文/背景 业务规则、数据来源、前置条件 结论缺少依据,或误用默认假设
输入数据 待处理的文本、表格、代码等 处理对象不明确,结果不可复用
输出约束 格式(JSON、表格、列表)、字段、长度、语言 结构不合规,下游解析失败
示例(可选) 输入—输出的参考样例 任务边界不清时容易跑偏

提示词的核心作用,可以归纳为“四个转化”:

  • 意图转化:把模糊需求转化为模型可执行的具体指令;
  • 边界转化:通过约束明确“什么能做、什么不能做、做到什么程度”;
  • 质量转化:通过格式规范与输出示例,把“大致对”提升为“可直接使用”;
  • 成本转化:提示词结构越清晰,后续校验、重试、人工修正的投入越少。

需要明确的是,提示词不是万能的。它无法让模型“学会”训练数据之外的新知识,也无法保证在高风险场景中输出绝对可靠;它能做的主要是“把已有能力引导到正确方向,并把输出约束在可校验的范围内”。

2.2 提示词设计的基本原则

无论采用零样本还是少样本,设计提示词都遵循同一套基础原则:

  1. 明确具体:指令要具体可执行。把“帮我看看这个”改为“判断这段用户反馈的情绪倾向(正面/中性/负面),只输出一个标签”。
  2. 角色与背景充分:说明模型扮演的角色、面向的对象、业务背景,减少歧义与猜测。
  3. 任务拆解:复杂任务按“提取—判断—归纳—格式化”分步完成,必要时要求模型先给结论依据再给结论。
  4. 输出约束优先:先定义输出结构(JSON、表格、字段清单),再定义内容要求;结构化输出最有利于工程落地。
  5. 可验证性:设计可自动判定的成功标准,如格式校验、字段完整性、关键词命中,而不是只靠“看起来不错”。
  6. 迭代与版本化:提示词应视为代码资产,纳入版本管理,配合回归测试集反复优化。

示例(Few-shot)在其中承担特殊角色:它是“用样例代替描述”的强化手段。当一条任务边界难以用文字讲清楚,或者输出格式要求严格、风格要求统一时,示例往往比文字描述更有效。这正是零样本与少样本分野的根源。

2.3 零样本提示:只靠任务描述

零样本提示指提示中不包含示例,直接以自然语言指令完成任务。典型形式:

  1. 角色:你是客服工单分级助手。
  2. 任务:判断下列用户反馈应归入哪一级,并只输出一个等级标签。
  3. 等级定义:
  4. - P1 阻断级:核心功能不可用,影响范围大
  5. - P2 严重级:主要功能异常,影响部分用户
  6. - P3 一般级:非核心功能异常
  7. - P4 咨询级:使用疑问或建议
  8. 输入:{{user_text}}
  9. 输出:只输出 P1/P2/P3/P4 之一,不要解释。

它的优势在于“轻”:输入短、成本低、上手快、便于快速验证任务可行性;对模型的通用能力依赖度高,迁移到不同模型时改动较小。

2.4 少样本提示:用示例定义任务

少样本提示指在指令之外附带一组输入—输出示例,让模型归纳出任务的判定标准与输出格式。典型形式:

  1. 任务:判断客服工单等级,只输出 P1/P2/P3/P4 之一。
  2. 示例1
  3. 输入:账号无法登录,所有客户都打不开后台,已持续两小时。
  4. 输出:P1
  5. 示例2
  6. 输入:导出报表时偶有超时,重试后成功。
  7. 输出:P2
  8. 示例3
  9. 输入:个人资料页头像修改后未即时刷新。
  10. 输出:P3
  11. 示例4
  12. 输入:请问如何申请发票?
  13. 输出:P4
  14. 输入:{{user_text}}
  15. 输出:

当示例数量为 1 时,称为单样本提示(One-shot);0 个即零样本;数量很多(可达数十甚至上百)时,常称为上下文学习(In-Context Learning)。需要强调:少样本并没有改变模型权重,模型只是“在上下文里临时学会了这个任务的模式”,一旦上下文清空,这种模式不会保留。这与微调的“参数级持久化”本质不同,也是两者成本结构差异的根源。

2.5 提示词的基本结构示意

从工程视角看,一个完整提示词可以抽象为以下结构。零样本与少样本共用同一框架,差异只在 EXAMPLES 段是否为空:

  1. [角色] 身份、专业范围、面向对象
  2. [任务] 目标 + 输入说明
  3. [背景] 业务规则、数据口径、限制条件
  4. [示例] 可选,若干组 输入→输出(零样本时省略)
  5. [输出格式] 字段、结构、语言、长度
  6. [约束] 禁止项、兜底策略、不确定时的处理方式
  7. [输入] 本次实际数据

这一结构也解释了工程实践中的经验判断:任务越是“标准答案难以描述”,示例的作用越明显;任务越是“开放、依赖模型常识”,示例反而可能变成干扰。

三、相同点分析:两者共享的能力基础

虽然形式不同,零样本与少样本提示在本质上属于同一类工程手段,共享以下共同点:

  1. 同属“输入侧”干预手段:都不修改模型参数,效果完全依赖提示内容质量,具有“可即时调整、可即时回滚”的特点。
  2. 遵循同一套设计原则:都需要角色、任务、背景、约束、输出格式这五个基本要素齐全,区别仅在于是否附加示例。
  3. 依赖模型的上下文学习能力:模型都要在有限的上下文窗口内理解任务,上下文过长、信息冲突都会导致性能下降。
  4. 都存在“提示词即代码”的治理需求:都需要版本管理、变更记录、回归测试与调用日志,以便定位效果波动。
  5. 都要求“可验证的输出”:无论输出自由文本还是结构化数据,都需要在应用侧做格式校验、内容校验与兜底处理(重试、降级、转人工)。
  6. 都受模型能力边界约束:模型版本升级、参数配置变化都会影响提示词表现,因此提示词需要与模型版本一起做兼容性验证。
  7. 效果都依赖评测方法:两者都需要构建测试集(可用业务历史数据抽样),通过准确率、格式合规率、人工评分等指标对比,而不是凭个案判断。

四、核心差异分析

4.1 提示词构建复杂度

零样本的构建成本主要集中在“把任务说清楚”:定义清楚输入输出、约束与失败处理。它的迭代周期短,改一段文字即可验证。

少样本的构建成本转移到“示例资产化”:需要准备示例、设计示例结构、维护示例库、选择示例策略(固定示例、随机示例、按相似度检索示例)。当任务涉及多个类别、边界模糊或输出格式复杂时,示例的准备与评审工作量会明显上升。

工程判断:如果任务描述一页纸说不清,通常需要转向示例驱动;如果任务描述一两句话就清楚,且输出结构简单,零样本往往已足够。

4.2 输入长度、成本与延迟

少样本提示天然更长。每次调用都会携带全部示例,输入 token 消耗随示例数量线性增长。由此带来三个连锁影响:

  • 调用成本上升:长输入在按 token 计费的模式下成本更高;
  • 首字延迟上升:输入越长,模型预填充(prefill)阶段耗时越久;
  • 上下文预算被占用:示例挤占可用窗口,留给业务文本、检索结果的空间变少。

这里存在一个常被忽视的反直觉点:上下文变长并不一定让效果变好。上下文过长时,模型对中段信息的利用率可能下降(业界常称为“中间内容丢失”),示例过多反而可能稀释关键信息。工程上通常先在“少量高质量示例”与“成本与延迟”之间找平衡点,再考虑增加示例数量。

4.3 输出稳定性与格式可控性

少样本的优势主要体现为“用样例代替描述”:

  • 格式对齐更可靠:当输出需要固定字段、固定枚举、固定单位时,示例能显著降低格式偏差;
  • 风格一致性更好:文案风格、术语偏好、语气强弱可通过示例统一;
  • 判定标准更明确:当“什么算 P1”存在主观空间时,两三个正反例比大段文字描述更有效。

但需要注意:示例会把模型的注意力引向“与示例最相似的情况”。如果示例覆盖不全(例如只有简单工单,没有边界工单),模型在边界样本上容易照抄最近的示例结论,形成系统性偏差。这时错误表现为“稳定的错”,比随机错误更难排查。

4.4 泛化能力与示例偏差

零样本更依赖模型通用能力与任务描述的完备性,在开放任务上通常泛化更好,例如创意写作、开放式问答、代码生成等,示例反而可能限制模型思路(有时称为“过度模仿示例风格”)。

少样本在封闭任务(分类、抽取、格式转换、模板生成)上优势明显,但也更容易出现三类风险:

  • 示例偏差:示例分布不代表真实数据分布,模型学到偏斜的判定标准;
  • 顺序偏差:示例顺序变化可能影响输出(尤其是分类任务);
  • 标签泄漏:示例中夹带了错误标注,会被模型当作正确答案模仿。

工程上常见的缓解做法包括:示例覆盖典型类别与边界情况、类别间保持大致平衡、避免把同一示例反复排列、定期用真实数据重新抽样验证。

4.5 可维护性与迭代成本

零样本的迭代方式是“改文字”,但缺少客观反馈锚点时,优化容易变成猜谜:改了这句没好,改那句也没好,最后变成提示词堆砌。

少样本的迭代方式是“改样例”,反馈更直观(哪类样例错了就补哪类),但维护成本更高:业务规则变化时要同步更新示例,否则示例会与规则冲突,模型在冲突处表现不稳定。因此少样本提示通常需要建立示例库,并明确示例的负责人、更新频率与评审流程。

4.6 扩展性:任务数量与多任务复用

当一个应用包含多个子任务(例如工单分级 + 情绪判断 + 摘要生成)时,零样本更容易做模块化:每个子任务一段指令,通过调用编排串联。

少样本在多任务场景下面临组合爆炸:不同任务需要不同示例集,示例库规模随任务数量增长,维护与调用成本同步上升。此时更常见的做法是:

  • 把任务拆成多个专用提示,每个提示配少量精选示例;
  • 或对示例做检索式选择,只把与当前输入最相似的少量示例放入上下文。

4.7 安全与合规差异

少样本提示带来两类新增风险,需要在设计阶段就考虑:

  1. 示例数据来源合规:示例若直接摘取自真实用户数据、工单或内部文档,必须脱敏。姓名、手机号、账号、地址、证件号等应做掩码或替换。否则敏感信息会随每次请求外发,扩大数据暴露面。
  2. 示例被污染的风险:示例区域若允许外部写入,攻击者可能通过构造“看似示例”的输入,诱导模型模仿恶意输出(提示注入的一种形式)。因此示例区域应与用户输入区域在结构上严格分离,并在应用侧做输出校验。

零样本提示的风险相对集中在“指令与输入混写”:如果用户输入直接拼进指令区,同样可能被当作指令执行。实践中的通用防护包括:使用明确的分隔符标记输入区、在提示中声明“只处理分隔符内的内容”、对输出做白名单校验、对高风险动作加人工确认。

4.8 与模型版本升级的兼容性

模型升级后,两种提示的表现都会变化,但表现方式不同:

  • 零样本对模型能力提升的受益通常更直接:新模型通用能力更强,原提示往往直接变好;
  • 少样本的行为更依赖模型对示例的解析方式,升级后可能出现“示例被理解为约束”或“示例被忽略”的情况,需要重新验证格式合规率。

因此,无论采用哪种策略,都应在提示词仓库中记录“提示词版本 + 模型版本 + 评测结果”三者的对应关系。

4.9 效果度量方式

评测是选型的基础。建议建立小型回归测试集(如每类 20~50 条,覆盖典型样本与边界样本),用统一指标对比两种策略:

  • 任务准确率/分类 F1:适用于分类与抽取;
  • 格式合规率:输出能否被下游程序直接解析;
  • 人工评分:适用于开放生成任务;
  • 平均输入长度与调用成本:量化成本变化;
  • P95 延迟:量化体验变化。

同一测试集上,“零样本 vs 少样本”的差异才有可比性,这是选型判断的关键前提。

五、对比表格:关键差异一览

对比维度 零样本提示(Zero-shot) 少样本提示(Few-shot)
提示构成 角色 + 任务 + 背景 + 输出约束 + 输入 在零样本基础上增加若干“输入—输出”示例
上下文占用 短,通常远低于少样本 长,随示例数量与示例长度增长
输入成本与延迟 较低,适合高频调用与高并发场景 较高,示例越多成本越高,需权衡示例数量
输出稳定性 依赖模型通用能力与描述完备性 格式与风格一致性更好,但受示例覆盖度影响
泛化能力 较好,适合开放任务 在封闭任务上更强,边界样本易受示例偏差影响
构建与迭代成本 低,改一段文字即可验证 高,需建设与维护示例库,并评审示例质量
规则变更响应 直接修改文字描述,响应快 需同步更新示例,存在滞后风险
可迁移性 提示较短,跨模型迁移改动小 示例结构可能需要按模型调整,迁移验证成本更高
数据合规风险 主要为输入区混写与提示注入风险 额外包含示例数据脱敏与示例污染风险
典型适用任务 开放问答、创意生成、代码生成、探索性分析 分类、信息抽取、格式转换、风格统一的内容生成
不适合场景 判定标准主观、输出结构严格且要求高度一致的任务 示例难以覆盖真实分布、示例涉及敏感数据、成本与延迟敏感的高频调用

六、典型场景选择

6.1 更适合零样本提示的场景

  • 开放式生成:文案创作、头脑风暴、摘要改写,模型自由度是优势而非风险;
  • 探索阶段验证:任务价值未确认前,先用零样本快速试跑,判断“模型能不能做”;
  • 高并发低成本调用:如批量内容审核的初筛、日志摘要等,示例带来的成本增长难以承受;
  • 任务描述清晰、输出结构简单:如“判断一句话是否为询问句,输出是/否”。

6.2 更适合少样本提示的场景

  • 分类与打标:工单分级、情感倾向判断、意图识别,类别定义需要样例支撑;
  • 结构化抽取:从非结构化文本抽取字段并输出 JSON,示例能显著降低格式偏差;
  • 风格与格式统一:批量生成符合固定模板的文案、报表解读、邮件回复;
  • 领域术语与判定口径统一:业务规则中“什么算高优先级”存在内部口径,示例是最经济的传递方式;
  • 需要稳定可评测效果的生产环节:配合回归测试集使用,效果可量化、可回归。

6.3 混合策略:工程实践中的常见形态

实际项目往往不是二选一,而是“分层组合”:

  1. 路由层:用零样本做任务分类与意图识别,判断请求属于哪一类任务;
  2. 处理层:对需要严格格式的任务切换到带少量示例的少样本提示;
  3. 校验层:对输出做结构与业务规则校验,失败则重试或降级;
  4. 兜底层:对高不确定样本转人工,形成反馈数据回流到测试集与示例库。

在百度智能云这类提供通用大模型服务能力的云平台上,工程落地通常还会配合提示词模板管理、调用日志、监控告警等基础能力:用模板统一管理零样本与少样本提示,用日志还原调用上下文以定位效果波动,用监控指标观察成本、延迟与失败率的变化。需要说明的是,这些能力属于行业通用实践,具体产品能力与开放范围以官方文档为准。

七、选型建议:条件化判断而非绝对推荐

以下判断均为条件化建议,需结合具体业务与实测数据决定:

  1. 先零样本打底:无论最终采用哪种策略,都建议先用零样本建立效果基线。这一步成本最低,且能明确“任务到底需要多强的示例支撑”。
  2. 看输出结构要求:如果输出需要固定 JSON 结构、固定枚举值、固定字段顺序,优先评估少样本;如果只是自由文本,零样本通常足够。
  3. 看任务确定性:任务越封闭(答案空间有限、有客观对错),示例的收益越大;任务越开放,示例越可能限制发挥。
  4. 看调用规模:单次调用成本 × 调用量决定成本敏感度。高频、低单价的调用场景,应优先控制输入长度,必要时用“检索式少样本”(仅放入最相关的 1~3 个示例)替代全量示例。
  5. 看团队运维能力:团队缺乏示例维护与评测流程时,少样本的长期维护成本容易失控,可先用零样本 + 结构化输出约束过渡。
  6. 看规则变更频率:业务规则频繁调整的场景,零样本的响应速度更快;少样本需要同步维护示例,存在滞后风险。
  7. 用数据决定:在真实测试集上做 A/B 对比,比较准确率、格式合规率、平均输入长度与 P95 延迟。若少样本提升有限而成本显著上升,则维持零样本;若零样本在边界样本上错误集中,则针对性补充示例而非全面改写。

八、迁移与注意事项:从零样本走向少样本

当项目决定由零样本切换到少样本,或反之,需要注意以下问题:

  1. 示例选择策略:优先覆盖高频真实样本与易混淆的边界样本,而不是收集“漂亮”的样例。建议从线上日志中抽样真实输入,人工标注后入库。
  2. 示例质量与一致性:示例的标注必须与任务定义完全一致,避免出现“示例本身互相矛盾”的情况,否则模型会学到噪声。
  3. 示例数量与上下文预算:先明确上下文窗口预算中留给业务文本与检索结果的比例,再决定示例数量。示例过多会挤压有效信息。
  4. 敏感数据脱敏:示例与日志进入提示词前,需完成手机号、账号、地址、证件号等字段的脱敏与替换;示例库应有明确的访问控制与留存期限。
  5. 示例区与输入区隔离:在结构上明确区分,防止用户输入被当作指令或示例模仿,降低提示注入风险。
  6. 评测与回归:切换策略前后使用同一测试集对比,并记录提示词版本、模型版本与评测结果,确保效果变化可归因。
  7. 降级与兜底设计:为格式解析失败、超时、内容不合规等情况准备降级路径(重试、简化输出、转人工),避免单点故障影响主流程。
  8. 版本与发布管理:提示词纳入版本控制,配合灰度发布;变更时保留回滚能力。
  9. 监控指标:上线后关注准确率趋势、格式合规率、平均输入长度、成本、延迟与人工介入率,形成闭环优化。
  10. 边界认知:当任务需要大规模、稳定一致的适配(例如海量分类、严格的行业术语体系),提示词工程会遇到天花板,此时才评估微调或检索增强,而不是继续堆积示例。

九、示意性代码:两种策略的实现与对比

以下代码为通用伪代码风格,用于说明工程实现思路,不依赖任何特定厂商 SDK:

  1. # 统一提示词模板:任务描述部分复用,示例段可选
  2. TASK_DESC = """你是客服工单分级助手。
  3. 任务:根据用户反馈判断工单等级,只输出 P1/P2/P3/P4 之一。
  4. 等级定义:
  5. P1 阻断级:核心功能不可用,影响范围大
  6. P2 严重级:主要功能异常,影响部分用户
  7. P3 一般级:非核心功能异常
  8. P4 咨询级:使用疑问或建议"""
  9. OUTPUT_RULE = "输出要求:仅输出一个等级标签,不要解释。"
  10. FEW_SHOT_EXAMPLES = """
  11. 示例
  12. 输入:所有客户都无法登录后台,已持续两小时。
  13. 输出:P1
  14. 示例
  15. 输入:导出报表偶有超时,重试后成功。
  16. 输出:P2
  17. 示例
  18. 输入:个人资料头像修改后未即时刷新。
  19. 输出:P3
  20. 示例
  21. 输入:请问如何申请发票?
  22. 输出:P4
  23. """
  24. def build_prompt(user_text: str, use_few_shot: bool) -> str:
  25. """构造提示词;输入区用明确分隔符隔离,降低提示注入风险"""
  26. parts = [TASK_DESC]
  27. if use_few_shot:
  28. parts.append(FEW_SHOT_EXAMPLES)
  29. parts.append(OUTPUT_RULE)
  30. parts.append(f"### 待处理输入\n{user_text}\n### 输入结束")
  31. return "\n\n".join(parts)
  32. def classify(text: str, use_few_shot: bool) -> dict:
  33. prompt = build_prompt(text, use_few_shot)
  34. raw = call_model(prompt) # 通用调用封装,具体实现按平台替换
  35. level = raw.strip().upper()
  36. if level not in {"P1", "P2", "P3", "P4"}:
  37. return {"ok": False, "raw": raw, "reason": "格式不合规"}
  38. return {"ok": True, "level": level, "prompt_len": len(prompt)}

对比评测示意:

  1. def evaluate(test_set, use_few_shot: bool):
  2. correct = 0
  3. total_in_len = 0
  4. for case in test_set:
  5. result = classify(case["text"], use_few_shot=use_few_shot)
  6. total_in_len += result.get("prompt_len", 0)
  7. if result.get("ok") and result["level"] == case["label"]:
  8. correct += 1
  9. return {
  10. "strategy": "few-shot" if use_few_shot else "zero-shot",
  11. "accuracy": round(correct / max(len(test_set), 1), 4),
  12. "avg_prompt_len": round(total_in_len / max(len(test_set), 1), 1),
  13. }
  14. # 同一测试集分别评估两种策略,用数据而非感觉决定选型
  15. zero = evaluate(test_set, use_few_shot=False)
  16. few = evaluate(test_set, use_few_shot=True)
  17. compare(zero, few)

代码要点说明:

  • 任务描述部分复用,只切换示例段,便于做单变量对比;
  • 输入区使用显式分隔符包裹,降低提示注入风险;
  • 输出做枚举校验,非法输出进入降级流程,而不是直接进入业务逻辑;
  • 评测输出同时包含准确率与平均提示长度,使效果与成本可以同屏比较。

十、总结:回到“区别是什么、怎么选”

零样本提示与少样本提示的本质区别,可以概括为一句话:零样本靠“把任务说清楚”,少样本靠“把任务示范出来”。这一差异派生出成本、稳定性、维护成本与适用边界上的系统性分歧:

  • 零样本输入短、成本低、迭代快、泛化好,但在严格格式与主观判定类任务上稳定性不足;
  • 少样本格式与风格一致性更强,但需要示例资产、更高的上下文成本、更重的维护负担,并存在示例偏差与数据合规风险;
  • 两者共享同一套设计原则(角色、任务、背景、约束、输出格式),也都需要测试集、日志与版本管理来支撑持续优化。

选型时不必追求“更强”的策略,而应遵循“先基线、再补例、后评测”的顺序:用零样本建立效果基线,在失败样本集中的环节补充少量高质量示例,用同一测试集量化对比准确率、格式合规率、输入长度与延迟,再根据业务规则变更频率、调用规模与运维能力做最终判断。当提示词工程遇到瓶颈时,再评估检索增强或模型微调。提示词设计的目标始终不是“写得更长更复杂”,而是“用最少的上下文,让模型稳定输出可用结果”。

发表评论

活动