让模型第一次看见一种业务输入，就按要求分类、抽取或改写，这通常被称为零样本学习。它听起来像“完全没学过也会做”，其实更准确的含义是：在这一次请求里，没有向模型提供已标注的示例。
模型仍然依赖预训练阶段形成的语言与模式能力，也会受到指令、上下文和可用工具影响。理解这一点很重要，因为零样本不是免配置按钮，而是一种减少示例维护成本的任务设计方式。
## 零样本中的“零”指什么
假设要把客服消息分成“硬件、软件、其他”。如果提示只给类别定义和一条待分类消息，没有输入输出示例，就是零样本；若再放入几条已经标好的消息，便进入少样本提示。
OpenAI 在 2020 年介绍 GPT-3 时，就用零样本、单样本和少样本来区分推理时给出的示例数量。如今模型与接口已经变化，但这组概念仍适合描述提示中包含多少任务示范。
零样本也不等于零上下文。你仍可提供业务定义、待处理文档、输出模式和禁止事项。检索到的一段最新资料也可以作为上下文，只要它不是用来示范输入输出映射，就不必把整个任务称为少样本。
## 为什么一句指令有时就够
预训练模型接触过大量语言结构，因此“判断情绪”“提取日期”“概括争议点”这类自然语言任务，往往能从任务名称和定义中推断出操作方式。
指令越接近日常可说明的规则，零样本越可能工作。边界清楚的三分类通常比依赖公司隐性习惯的二十分类稳定；字段格式明确的抽取，通常也比“判断这个客户值不值得跟进”更容易验证。
这不是模型真正读懂了企业制度。它只是在当前上下文中生成最可能满足要求的结果。遇到新术语、反例或模糊边界时，输出可能自信却不正确。
## 一份有效提示要写清五件事
第一是对象：输入究竟是一封邮件、一段日志还是整份合同。第二是任务：分类、抽取、改写不能混成一句含糊的“处理一下”。
第三是边界：每个标签的定义、优先级和无法判断时的处理办法。第四是输出契约：只返回标签，还是返回 JSON 字段；字段缺失时用 `null` 还是空字符串。
第五是依据：要求模型只使用给定材料，并在证据不足时明确表示未知。对于开放性问答，还要说明可以调用哪些检索或计算工具。
OpenAI 当前提示文档建议把总体角色或语气放在较高优先级的指令中，把具体任务细节与示例放在用户输入中。对团队项目而言，还应给提示做版本管理，让模型、指令和评测结果能够对应起来。
## 结构化输出减少接口歧义
让模型“尽量按 JSON 返回”仍可能出现多余解释、字段拼错或类型变化。接口允许时，应使用结构化输出或严格的模式约束，把字段名、枚举和必填项交给机器验证。
模式约束只能保证形状，不保证事实。`sentiment` 字段即使一定是合法枚举，也可能选错类别；日期字段格式正确，也可能来自模型猜测。因此应把格式通过与语义正确分开统计。
生产系统还要处理拒答、截断、超时和无法解析。不要在解析失败时静默填入一个默认业务结论，否则技术故障会伪装成模型判断。
## 哪些场景不适合只靠零样本
第一类是标签边界来自内部经验。例如“高风险投诉”可能取决于渠道、客户等级和历史处置方式，仅有标签名称无法传达这些细节。
第二类是输出风格需要高度一致。品牌文案、医学记录摘要或代码迁移，往往需要正例和反例来固定颗粒度。第三类是事实频繁变化，模型参数中没有可靠的最新来源，此时应接入检索或数据库。
第四类是低频错误代价很高。哪怕平均准确率不错，只要某个关键类别持续漏判，就不能因为零样本实现简单而直接上线。
## 从零样本逐级增加复杂度
先用最简指令建立基线。若错误来自定义不清，补充边界与输出契约；若模型不理解抽象规则，加入少量代表性示例；若缺少最新事实，增加检索；若任务长期稳定且样本充足，再评估微调。
这几种方法可以组合。检索负责提供事实，少样本负责展示判断方式，结构化输出负责固定接口。微调也不能替代外部知识更新和上线后的评测。
## 用评测集而不是感觉判断
从真实流量中抽取正常样本、边界样本、噪声输入和对抗性表达，由熟悉业务的人给出参考答案。分类任务可统计每一类的精确率和召回率，抽取任务可比较字段正确率，生成任务则要定义可复核的评分标准。
OpenAI 的 Evals 文档把评测拆成数据模式和测试标准，再对同一数据运行不同模型或提示。即便不用托管评测服务，也应保留相同思想：固定样本、固定判定、保存版本、观察回归。
不要只反复修改几个失败案例。那会让提示适配样本，却不一定改善真实流量。把开发集与保留测试集分开，并在模型版本改变时重新运行完整评测。
## 一个可落地的检查顺序
先问任务是否能由陌生同事仅凭规则完成。若人也需要看示例，模型大概率同样需要。再确认输出能否自动验证，以及证据不足时是否允许返回未知。
随后用零样本提示跑基线，按错误类型补规则或示例，而不是一味把提示写长。上线前记录正确率、关键类别漏判率、延迟和单次成本，并为解析失败和高风险结果设置人工复核。
零样本学习真正的价值，不是炫耀“一句话让模型学会新技能”，而是用最低的维护复杂度验证任务是否成立。能通过评测就保持简单，不能通过就增加恰当的上下文和监督。
## 参考资料