Zero-shot Prompting

不提供 examples 的 prompting 方式

零样本提示（Zero-shot Prompting）指的是不提供示例，直接用清晰指令让模型完成任务。这一节的目标是：让你能写出可复用、稳定、可验证的零样本 Prompt。

学习路径（建议顺序）

入门：掌握“指令 + 输出格式”的最小结构
进阶：为边界情况加入约束与兜底
实战：把业务任务拆成可验证条件

什么是零样本提示？

零样本提示就是：不给示例，只给规则。适合任务明确、标签清晰、输出格式简单的场景。

┌─────────────────────────────────────────────────────────────┐
│                      Zero-shot Prompt 流程                    │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   任务描述     →   标签/约束     →   输入数据     →   输出结果  │
│  (做什么)         (怎么做)         (文本/数据)     (结构化)   │
│                                                             │
└─────────────────────────────────────────────────────────────┘

为什么零样本很重要？

应用场景	具体用途	业务价值
快速原型	新任务快速验证	降低试错成本
轻量分类	标签少、规则清晰	快速上线
内容处理	摘要、提取、改写	提升效率
内部工具	临时自动化	无需训练数据

业务产出（PM 视角）

你可以用零样本 Prompt 快速交付：

可上线的最小功能（MVP）
结构化输出模板（便于自动化）
可量化验证（准确率/一致性）

完成标准（建议）：

读完本页 + 完成 1 个练习 + 做 1 次自检

Prompt Lab

把这章的知识，直接变成实战能力

进入交互式实验室，用真实任务练 Prompt，10 分钟快速上手。

立即查看 →

核心 Prompt 结构

零样本 Prompt 重点是：任务说明 + 输出约束。

目标：做什么任务
标签/规则：可选项与边界
格式：输出结构
输入：待处理内容

通用模板

请完成以下任务：
{task}

规则：
{rules}

输出格式：
{output_format}

输入：
{input}

Quick Start：情感分类

提示：

Classify the text as neutral, negative, or positive.

Text: I think this vacation was okay.
Sentiment:

输出：

neutral

注意：没有提供示例，这就是零样本提示的核心。

示例 1：意图识别

场景：客服消息

识别用户意图。只输出：咨询 / 投诉 / 退款 / 其他。

用户消息：我买的耳机用了两天就坏了，你们怎么处理？

意图：

示例 2：信息提取

场景：从文本中提取关键信息

从文本中提取姓名、公司、职位。
输出 JSON：{"name":"","company":"","title":""}

文本：我是 Alice，在 JR Academy 做产品经理。

示例 3：格式化总结

场景：会议纪要

请把以下内容整理成 3 条要点，要求每条不超过 20 字。

内容：我们决定本周先完成需求拆分，下周开始开发。A 负责后台接口，B 负责前端页面。

迁移模板（替换变量即可复用）

任务：{task}
规则：{label_space_or_rules}
输出：{format}
输入：{input_text}

自检清单（提交前自查）

任务是否足够清晰？
输出格式是否固定？
是否有兜底（无法判断时输出 unknown）？
是否能在 3 次以内复现稳定结果？

进阶技巧

限制输出：写明“只输出标签/JSON”。
加兜底：如无法判断 → unknown。
明确边界：定义正负例关键词或规则。
控制温度：temperature=0 提升一致性。
分步提示：复杂任务先拆成两步零样本。

常见问题与解决方案

问题	原因	解决方案
输出格式不稳定	没有约束格式	明确格式 + 示例输出
分类不一致	规则不清晰	定义边界条件
模型解释过长	未限制输出	明确“只输出结果”
无法判断	任务模糊	加 `unknown` 兜底

API 调用示例

Python (OpenAI)

from openai import OpenAI

client = OpenAI()

def zero_shot_classify(text: str) -> str:
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": "你是分类器，只输出标签。"
            },
            {
                "role": "user",
                "content": f"分类：positive/negative/neutral\n文本：{text}\n标签："
            }
        ],
        temperature=0,
        max_tokens=10
    )
    return response.choices[0].message.content.strip()

Python (Claude)

import anthropic

client = anthropic.Anthropic()

def zero_shot_classify(text: str) -> str:
    message = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=10,
        messages=[
            {
                "role": "user",
                "content": f"分类：positive/negative/neutral\n文本：{text}\n标签："
            }
        ]
    )
    return message.content[0].text.strip()

动手练习

练习 1：分类

将以下评论分类为 positive / negative / neutral：
1. 物流非常快，体验很好
2. 质量一般般
3. 完全不能用，太失望了

练习 2：抽取

从文本中提取日期和金额，输出 JSON。
文本：订单将于 2025-03-12 发货，总价为 $129。

练习 3：总结

把下面内容总结为 2 条行动项。
文本：本周需完成页面改版和接口联调，测试时间排在周五。

练习评分标准（学生自评）

维度	合格标准
任务清晰	一句话能复述目标
格式稳定	输出结构一致
可复用	变量可替换
一致性	连续 3 次结果稳定

参考资料

小结

零样本提示适合清晰任务与快速验证。
输出格式固定，稳定性大幅提升。
必须定义边界与兜底。
低温度更稳、更一致。
通过模板实现可复用的 Prompt 工作流。

Prompt 大师