面试题 06：Zero-Shot、Few-Shot 与 CoT（思维链）：它们分别适用于什么复杂度的任务？
一、 核心概念与适用场景
在与大语言模型（LLM）交互时，如何设计 Prompt 决定了模型输出的质量。这三种技术代表了引导模型的三种不同深度。
1. Zero-Shot (零样本提示)
定义：不提供任何示例，直接向模型下达指令或提出问题。依赖模型在预训练阶段积累的通用知识。
适用复杂度：低复杂度、通用型任务。
典型场景：
文本翻译（“将以下文本翻译成法文”）
文章摘要（“总结这篇文章的核心观点”）
基础分类（“判断这句话的情感是正面还是负面”）
优缺点：最省 Token，成本最低；但对于需要特定格式或垂直领域知识的任务，容易出现“幻觉”或格式不合规。
2. Few-Shot (少样本提示)
定义：在提出最终问题之前，在 Prompt 中提供少量（通常 2-5 个）输入和期望输出的示例（Examples），让模型通过“模式匹配”来学习任务规则。
适用复杂度：中等复杂度、对格式和规范要求极高的任务。
典型场景：
结构化数据提取（例如从非结构化简历中提取 JSON 格式的姓名、电话、技能）
特定语气模仿（例如要求模型用“甄嬛体”或“客服标准话术”回答）
垂直领域的意图识别
优缺点：能大幅提高输出的稳定性和格式准确率；缺点是示例会占用大量的上下文窗口（Context Window），导致 Token 消耗成本直线上升。
3. CoT (Chain of Thought, 思维链)
定义：引导模型在给出最终答案之前，先输出中间的推理步骤。最简单的做法是在 Prompt 末尾加上一句魔法咒语：“Let's think step by step（请一步一步地思考）”。
适用复杂度：高复杂度、需要多步逻辑推理的任务。
典型场景：
复杂的数学应用题计算
多条件约束下的逻辑推理（如排班系统、资源分配）
代码逻辑 Debug
原理解析：LLM 本质是预测下一个词。如果直接让它预测最终答案，跨度太大容易出错。通过输出中间步骤，模型实际上是在把自己的前一步输出作为下一步推理的“草稿纸”（Context），从而大幅提升复杂问题的准确率。
二、 进阶玩法：技术的组合拳
在实际的企业级高难度项目中，单一的技术往往不够用，我们需要打组合拳：
Few-Shot CoT (少样本思维链)：
这是目前解决复杂业务逻辑的最强方案。
做法：在提供示例（Few-Shot）时，不仅给出“输入”和“最终答案”，还要把推导过程也写在示例里。
效果：模型不仅学会了你想要的输出格式，还学会了你解决这类问题的思考逻辑。
三、 面试高分答题话术（💡 划重点）
在面试中，除了准确解释概念，一定要结合“成本意识”和“工程实践”来回答：
- 强调按需升维：“在实际业务中，我们不会盲目使用复杂的 Prompt。我们的原则是 Zero-Shot 优先。因为 Few-Shot 和 CoT 会显著增加输入和输出的 Token 数量，导致 API 成本上升和响应变慢。只有当 Zero-Shot 的准确率达不到业务及格线时，我们才会逐步引入 Few-Shot 或 CoT。”
- 提及微调（Fine-tuning）的替代性：“如果一个任务我们需要在 Prompt 里塞入几十个 Few-Shot 示例才能让模型听懂，这说明 Prompt 已经过于臃肿了。这时候在工程上，我们通常会收集几百条数据，直接去对模型做 SFT（监督微调），让模型把这些规则内化到权重里，从而在推理时重新回到 Zero-Shot 的低成本状态。”