跳转到主要内容

少样本提示

核心思想： 将经过验证的高质量翻译对作为上下文示例纳入提示中，使大语言模型通过演示而非指令来学习目标语言的模式、风格和约定。

:::info 这是一份指南，不是完整实现 本指南阐述了该方法及其关键设计决策。请根据你的语言对和可用资源进行调整。 :::

何时使用​

  • 你拥有一小组经过验证的翻译（即使只有 5–10 个金标对也有帮助）
  • 你希望大语言模型通过示例而非规则来匹配特定的风格或语域
  • 你的目标语言具有更容易展示而非描述的模式（词序、词缀模式、正式程度标记）

工作原理​

  1. 精选示例对 — 选择能够展示关键模式的高质量源→目标翻译
  2. 格式化为上下文示例 — 在实际翻译请求之前将其纳入系统或用户提示中
  3. 运行测试框架 — 测量示例是否相比零样本提示改进了指标
  4. 迭代示例选择 — 交换示例以覆盖不同的失败模式

示例提示结构​

You are translating English to Plains Cree (SRO orthography).

Examples of correct translations:
- "Hello" → "tânisi"
- "Thank you" → "kinanâskomitin"  
- "I am going home" → "nikîwân"
- "The children are playing" → "awâsisak mêtawêwak"

Now translate the following:
- "Welcome to the school"

关键规则：避免评估数据污染​

:::danger 不要将评估数据用作少样本示例 如果你的示例来自评估数据集，你的方法将被取消排行榜资格。少样本示例必须来自独立来源 — 词典、教科书、社区验证的对或单独的开发集。测试框架会对你的确切提示进行指纹识别；污染是可检测的。 :::

关键设计决策​

多少个示例？ 3–8 个是最佳范围。太少会给大语言模型信号不足；太多会消耗上下文窗口而收益递减。

选择哪些示例？ 优先考虑多样性而非难度。涵盖不同的句子结构、词长和语法特征。不要将示例聚集在一个模式周围。

静态还是动态选择？ 静态示例更简单。动态选择（选择与当前输入相似的示例）可以提高质量，但增加了复杂性 — 考虑使用链式模型进行检索步骤。

优缺点​

✅ 对风格匹配很强大❌ 小上下文窗口限制了示例数量
✅ 无需训练❌ 示例选择是一门艺术，不是科学
✅ 适用于任何大语言模型❌ 评估数据污染风险（取消资格）
✅ 易于 A/B 测试不同的示例集❌ 示例可能不适用于所有输入类型

配合使用效果好的方法​

另见​