5.3 少样本学习的应用场景

少样本学习是一种通用性很强的技术，可以应用于各种任务类型。本节将通过具体场景和实例，展示如何在不同任务中应用少样本提示。

5.3.1 场景一：文本分类

文本分类是少样本学习最常见的应用之一。

情感分析

任务：判断产品评论的情感倾向

示例：

评论："质量很好，物超所值，会回购！"
情感：正面

评论："等了半个月才收到，包装还是破的。"
情感：负面

评论："普通，没什么特别的，凑合用吧。"
情感：中性

评论："本来以为便宜没好货，结果惊喜了。"
情感：正面

请分析：
评论："颜色和图片差太多了，不过用起来还行"
情感：

意图识别

任务：识别客服对话中的用户意图

示例：

用户："我订单的快递到哪了？"
意图：物流查询

用户："我想退掉这个商品"
意图：退货请求

用户："这个手机的电池能用多久？"
意图：产品咨询

用户："你们客服电话是多少？"
意图：联系方式查询

请识别：
用户："买贵了可以补差价吗？"
意图：

5.3.2 场景二：信息提取

从非结构化文本中提取结构化信息。

实体提取

任务：从文本中提取人物信息

示例：

文本："李明，1985 年出生于北京，现任某科技公司 CTO。"
提取：
- 姓名：李明
- 出生年份：1985
- 出生地：北京
- 职位：CTO

文本："张红是清华大学计算机系的教授，主要研究人工智能。"
提取：
- 姓名：张红
- 单位：清华大学
- 职位：教授
- 研究方向：人工智能

请提取：
文本："王刚，90 后创业者，2020 年创办了一家 AI 教育公司，目前担任 CEO。"

关系提取

任务：提取文本中的人物关系

示例：

文本："张三是李四的导师，他们在同一个课题组工作。"
关系：张三 -[导师]-> 李四

文本："公司 CEO 王明宣布任命张华为新的技术总监。"
关系：王明 -[任命]-> 张华

请提取：
文本："据悉，马云创办的阿里巴巴已经投资了蚂蚁集团。"

5.3.3 场景三：格式转换

将内容从一种格式转换为另一种格式。

文本转 JSON

任务：将产品描述转换为结构化 JSON

示例：

输入："苹果 iPhone 15 Pro，256GB，深灰色，售价 8999 元"
输出：
{
  "brand": "苹果",
  "model": "iPhone 15 Pro",
  "storage": "256GB",
  "color": "深灰色",
  "price": 8999
}

输入："小米 14 Ultra，512GB，白色，售价 6499 元"
输出：
{
  "brand": "小米",
  "model": "14 Ultra",
  "storage": "512GB",
  "color": "白色",
  "price": 6499
}

请转换：
输入："华为 Mate 60 Pro+，1TB，雅丹黑，售价 10999 元"

SQL 生成

任务：将自然语言查询转换为 SQL

数据表：employees（id, name, department, salary, hire_date）

示例：

查询：查找销售部门的所有员工
SQL：SELECT * FROM employees WHERE department = '销售'

查询：找出工资最高的前 5 个员工
SQL：SELECT * FROM employees ORDER BY salary DESC LIMIT 5

查询：统计每个部门的员工数量
SQL：SELECT department, COUNT(*) as count FROM employees GROUP BY department

请转换：
查询：找出 2024 年入职的员工姓名和部门

5.3.4 场景四：风格转换

改变文本的风格、语气或表达方式。

正式化改写

任务：将口语化表达改写为正式书面语

示例：

原文："这东西超好用的！买它！"
改写："该产品使用体验优异，值得推荐购买。"

原文："搞不懂为啥老出 bug，烦死了"
改写："该问题持续性发生的原因尚不明确，需要进一步排查。"

请改写：
原文："老板说周五必须搞定，不然就完蛋了"

简化改写

任务：将复杂句子简化，保持核心信息

示例：

原文："在不远的将来，随着人工智能技术的进一步发展和广泛应用，人类社会的各个领域都将迎来深刻而根本性的变革。"
简化："人工智能技术发展将深刻改变社会各领域。"

原文："本研究通过对来自不同地区、不同年龄段的一千多名受访者进行的问卷调查和深度访谈，试图揭示当代青年群体在职业选择过程中所面临的主要困境和挑战。"
简化："本研究调查了 1000 多名受访者，分析青年职业选择中的主要困境。"

请简化：
原文："鉴于当前国际形势的复杂性和不确定性，以及国内经济面临的下行压力，公司决定暂时搁置原定于第三季度启动的海外市场扩张计划。"

5.3.5 场景五：翻译与本地化

术语一致的翻译

任务：翻译技术文档，保持术语一致

术语表：
- prompt → 提示词
- token → Token
- fine-tuning → 微调
- hallucination → 幻觉

示例：

原文："The model may produce hallucinations when the prompt lacks context."
译文："当提示词缺乏上下文时，模型可能会产生幻觉。"

原文："Fine-tuning requires a large number of tokens for training."
译文："微调需要大量的 Token 进行训练。"

请翻译：
原文："Effective prompt engineering can reduce hallucinations and save tokens."

5.3.6 场景六：创意生成

标题生成

任务：为文章生成吸引人的标题

示例：

文章主题：人工智能在医疗诊断中的应用
标题选项：
1. AI 医生来了：人工智能如何改变医疗诊断?
2. 比医生更准确？AI 诊断的突破与挑战
3. 未来医疗的关键：AI 诊断技术全解析

文章主题：远程办公对员工效率的影响
标题选项：
1. 在家办公效率更高？数据告诉你真相
2. 远程办公两年后：效率是涨是跌？
3. 办公室会消失吗？远程工作效率研究

请生成：
文章主题：电动汽车电池技术的最新突破

5.3.7 实践技巧总结

场景类型          建议示例数    关键考虑点
──────────────────────────────────────────
文本分类          3-5 个       类别覆盖、边界处理
信息提取          3-4 个       字段完整性、格式一致
格式转换          2-4 个       格式精确、异常处理
风格转换          2-3 个       风格明确、保留原意
翻译与本地化      2-4 个       术语一致、语境适配
创意生成          2-4 个       多样化、风格示范

动手试试

1. 为你所在行业的一个实际分类任务编写 3 个少样本示例，测试模型是否能泛化到新的输入。

2. 比较“精心挑选的 2 个示例”和“随机选取的 5 个示例”的效果差异，哪种策略更省 Token 且更有效？