Prompt Engineering 篇难度 3⏱ 13 分钟概念
01检索增强提示（RAG Prompting）
RAG 场景下的提示词设计方法，涵盖上下文注入、模板结构、引用归因等核心技术
RAG Prompting检索增强上下文注入知识融合提示词工程
更新于 2026-03-25rag-prompting
不提供任何示例，仅靠自然语言指令驱动 LLM 完成任务的提示技术
内容摘要
Zero-Shot Prompting（零样本提示）是一种不提供任何示例、仅用自然语言指令告诉大语言模型"做什么"的提示方式。你直接说"把这段话翻译成英文"或"判断这条评论是正面还是负面"，模型就凭预训练阶段积累的知识来完成任务——不需要给它看任何"正确答案的样子"。
Zero-Shot Prompting（零样本提示）是一种不提供任何示例、仅用自然语言指令告诉大语言模型"做什么"的提示方式。你直接说"把这段话翻译成英文"或"判断这条评论是正面还是负面"，模型就凭预训练阶段积累的知识来完成任务——不需要给它看任何"正确答案的样子"。
这种方式能行得通，是因为现代 LLM（Large Language Model，大语言模型）在预训练时已经读过互联网上海量的文本，见过各种各样的任务形式。翻译、分类、摘要、问答……这些任务的"解法"已经编码在模型的参数里了。零样本提示本质上就是用一句清晰的指令，把模型内部已有的能力"激活"出来。
在零样本提示出现之前，让模型做特定任务主要有两条路：一条是 Fine-Tuning（微调），用大量标注数据重新训练模型，效果好但成本高；另一条是 Few-Shot Prompting（少样本提示），在提示词里塞几个例子帮模型理解，但每次调用都要多花 token。零样本提示是最轻量的选择——不需要额外数据、不消耗额外 token，一句指令直接上手。
零样本提示的效果好不好，取决于指令本身的设计质量。一条有效的零样本指令通常包含以下维度：
| 维度 | 作用 | 说明 |
|---|---|---|
| 任务指令（Task Instruction） | 告诉模型"做什么" | 最核心的部分，必须明确、无歧义 |
| 角色设定（Role） | 给模型一个身份，影响输出风格 | 如"你是一个专业的翻译官" |
| 输出约束（Output Constraint） | 规定输出的格式、长度、结构 | 如"用 JSON 格式返回"、"不超过 50 字" |
| 反面指示（Negative Instruction） | 告诉模型"不要做什么" | 如"不要编造信息"、"不要输出解释过程" |
任务指令是零样本提示中唯一不可省略的部分。一条好的指令要做到：让任何人（包括模型）读完后都知道该做什么。
对比两种写法：
同一个问题，不同角色产生不同质量和风格的回答。比如"解释量子力学"这个任务：
角色设定在 Chat 模型中通常写在 system message 里，相当于给模型划定了一个"人格"范围。
如果不告诉模型你想要什么格式的回答，它可能返回一整段散文。明确格式约束能大幅提升结果的可用性：
有时候"不要做什么"比"要做什么"更有效。常见的反面指示包括：
零样本提示的工作机制可以分为三步理解：
第 1 步：指令输入。 用户用自然语言写一条任务指令，不附带任何输入-输出示例，直接交给模型。
第 2 步：知识激活。 模型收到指令后，在预训练阶段编码的海量知识中匹配相关能力。比如收到"翻译成英文"，模型会激活它在预训练时从数百万双语文本中学到的翻译能力。这种能力之所以存在，是因为两个底层机制：
第 3 步：生成输出。 模型基于理解的任务目标，结合指令中的格式约束，逐 token 生成回答。整个过程不修改模型参数，模型也不会"记住"这次对话——下次调用时一切从零开始。
图中的关键分支在"指令是否清晰"这一步：零样本提示没有示例来"兜底"，指令的清晰程度直接决定输出质量。这也是零样本和少样本最根本的差异——少样本可以靠示例弥补指令的不足，零样本完全依赖指令本身。
以下示例展示零样本提示的核心用法——不给任何示例，仅靠指令驱动模型完成情感分类。
# 基于 openai>=1.0.0 验证（截至 2026-03）
import os
from openai import OpenAI
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
# 零样本提示：没有任何示例，只有一条任务指令
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "user", "content": (
"请将以下用户评论分类为 {正面, 负面, 中立} 之一，"
"只输出分类结果，不要解释。\n\n"
"评论：这个产品质量不错，配送也很快，就是价格有点贵。"
)}
],
temperature=0, # 降低随机性，提升分类稳定性
max_tokens=10
)
print(response.choices[0].message.content)
# 输出：中立
上述代码中，messages 只包含一条 user 消息，没有任何 user-assistant 示例对。模型完全依靠"分类为 {正面, 负面, 中立} 之一"这条指令来理解任务，靠"只输出分类结果"这条约束来控制格式。
对比同一任务的 Few-Shot 写法：Few-Shot 需要先给 2-3 组"评论 → 分类"的示例对，再追加新数据；而 Zero-Shot 直接给指令和数据，省掉了所有示例的 token 开销。
| 概念 | 与零样本提示的区别 | 更适合关注的重点 |
|---|---|---|
| Few-Shot Prompting（少样本提示） | 在提示词中嵌入 2-5 个示例来引导模型 | 需要精确格式控制或模型对零样本指令理解不准时使用 |
| Fine-Tuning（微调） | 修改模型参数，永久改变模型行为 | 精度要求极高、任务固定、有大量标注数据时选择 |
| Zero-Shot CoT（零样本思维链） | 在零样本指令后追加"请一步步思考"来激发推理 | 需要模型展示推理过程的复杂任务 |
| Instruction Tuning（指令微调） | 发生在模型训练阶段，不是用户行为 | 理解为什么现代模型的零样本能力越来越强 |
核心区别：
| 常见误区 | 正确理解 |
|---|---|
| "零样本就是随便问一句，不需要设计提示词" | 零样本省掉的是示例，不是设计。指令的清晰度、角色设定、输出约束都需要精心设计，这些直接决定输出质量。 |
| "零样本效果差就说明模型不行" | 多数情况下是指令写得不够好，而不是模型能力不足。尝试换一种表述、加角色设定或明确输出格式，往往比直接切换到 Few-Shot 更高效。 |
| "零样本一定比少样本便宜" | 单次请求确实省 token，但如果零样本输出质量差、需要多次重试或人工修正，总成本可能反而更高。应该按任务实际效果选策略。 |
| "所有任务都应该先试零样本" | 对于格式要求严格或专业领域的任务，直接从 Few-Shot 起步可能更高效，避免在零样本上浪费调试时间。 |
参考答案：
零样本提示只给指令不给示例，模型完全依赖预训练知识；少样本提示在指令之外还嵌入了 2-5 个输入-输出示例，让模型从示例中学习任务模式。核心区别在于是否提供示例——零样本靠指令驱动，少样本靠示例引导。
参考答案：
(1) 明确分析维度——"分析"太模糊，应具体说明要分析什么（情感倾向、论点结构、写作风格等）；(2) 添加输出约束——规定输出格式（如"用 3 个要点总结"）和长度限制（如"不超过 200 字"）；(3) 设定角色——如"你是一位资深编辑"，帮助模型定位回答的专业程度和风格；(4) 添加反面指示——如"不要逐句翻译原文、不要输出与分析无关的内容"。
参考答案：
建议先用零样本测试，根据准确率决定是否升级。决策依据：(1) 成本——50 万条/天的量级下，每条请求多 3 个示例会增加大量 token 开销，零样本成本优势明显；(2) 准确率——如果 5 种意图是常见类型（如"下单、退货、咨询、投诉、其他"），模型预训练时见过大量类似分类，零样本准确率通常在 85% 以上；(3) 格式稳定性——意图分类的输出很简单（一个标签），零样本格式失控的风险低；(4) 如果零样本准确率低于业务要求的阈值（如 90%），再升级为 Few-Shot，此时增加的 token 成本可以被准确率提升带来的价值抵消。实际工程中常见的做法是对比两种策略在 1000 条标注数据上的准确率和成本，取性价比更高的方案。
优先展示同分类且标签更接近的内容，方便继续串联学习。
RAG 场景下的提示词设计方法，涵盖上下文注入、模板结构、引用归因等核心技术
通过为 LLM 分配特定角色身份来引导其输出风格、语气和知识侧重的提示词技术
在提示词中嵌入少量示例，引导 LLM 通过上下文学习完成新任务的技术