Few-shot 与 CoT 提示的原理和应用场景
哪些公司问过
答案要点
- Few-shot:提示中给少量示例,靠上下文学习对齐格式与标准,不更新参数
- CoT:引导模型先输出中间推理步骤再给结论,提升多步推理准确率
- Few-shot 适合分类、抽取、固定格式输出;CoT 适合数学、逻辑、多条件判断
- 示例要覆盖易混淆类别、格式一致,示例顺序和分布会影响结果
- 两者都增加 token 与延迟,CoT 需从输出中解析最终答案
易错点
- 把 Few-shot 当成微调,实际不改模型参数
- 示例格式不统一或类别偏斜,会把模型带偏
- 对简单任务滥用 CoT,徒增延迟和成本
- 直接把 CoT 全文当结果,没有解析和校验最终答案
面试官常见追问
- 你怎么管理不同版本的提示词?
- 零样本 CoT 和少样本 CoT 有什么区别?
- CoT 对小模型也有效吗?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。