零样本提示实战指南：不喂示例也能用好大语言模型

1. 零样本提示到底是什么：一次没给示例的实测

1.1 那次让我彻底改观的零样本实测

先说一个我自己的真实经历。几个月前，我接了一个文本分类的小任务：给一批电商客服对话打标签，区分"退款咨询""物流查询""商品质量问题""优惠活动咨询"四类。按我过去的习惯，第一步肯定是先整理几十条带标签的历史数据，做好少样本提示的示例集再去调模型。但是那次情况特殊，数据分布在几个不同的库里面，整合起来非常麻烦，业务方又催得很急。

于是我心一横，只写了大概一百个字的提示词：先说明对话内容的来源，再列出四个候选类别，最后要求模型只输出类别名称，不给任何一条示例，直接把那批对话丢进去跑了。跑完之后我去抽了五百条做人工核对，准确率大约在86%到88%之间。这个结果让我挺意外的。零样本提示指的就是这样一种方式：不给模型任何任务示例，只通过清晰的指令描述任务目标、输入形式和输出要求，让模型直接完成推理。

对比之下，少样本提示需要准备示例，通常还要精心挑选示例的顺序和覆盖面；全参数微调更是要准备成百上千条标注数据，走训练、验证、部署的整套流程。零样本最大的优势是启动成本极低，低到你可以用"分钟"为单位来试错：写提示词、跑一遍、看结果、改措辞、再跑。这也是为什么我认为它是提示词工程里最容易被人低估的技术。

1.2 零样本、少样本与全参数微调的分界线

把三者放在同一张表里看，边界就很清楚了：

这张表里的"启动周期"和"数据需求"其实是关键决策因素。很多团队一上来就想做微调，但是忽略了一个基本事实：微调之前你依然需要先搞清楚任务定义是否清晰、评估标准是否可靠。零样本提示正是帮你做这件事的最快工具。

这里还要纠正一个常见误解：零样本不是"随便写一句话让模型猜"的意思。它背后有一套完整的提示词设计方法论，包括任务描述、角色设定、输出约束、思维链引导等方面。写得好与不好的零样本提示，效果差距可以超过三十个百分点。这部分细节我会在后面的章节展开。

2. 零样本提示能跑通的底层原因

2.1 预训练阶段已经把"任务描述"见遍了

为什么一段话就能让语言模型干活？答案在预训练过程里。模型的训练语料来自互联网上的海量文本，这些文本里天然包含大量指令式的表达：教材里的习题、菜谱里的做法、客服文档里的操作说明、百科里的定义和分类。模型在预训练时反复见过"请翻译以下句子""把这些名词分类""提取这段话中的日期"这类句式，逐步把语言指令和对应的处理模式关联起来。

你可以把预训练语料想象成一个巨大的示例库，只不过这个库里的示例不是人工标注的，而是人类社会留下的一切书面文本。所以零样本提示本质上是"从模型的记忆库中检索最接近你意图的任务模式"。模型能不能完成任务，取决于你的描述能不能和它记忆中已有的任务模式对上。

这也是为什么任务描述里"动词"那么重要。用"提取"还是"判断"还是"生成"，会激活不同的任务模式。有一次我把一个信息抽取任务里的动词从"总结"改成"提取"，输出结构完全变了，前者给出了大段的概括性文字，后者老老实实地给出了字段键值对。语言的精确性在这个环节不是文学问题，而是工程问题。

2.2 指令格式触发了特定的推理路径

刚才说的是"知识层面"的解释。再往底层看一层，零样本提示的效果跟模型的推理架构和训练方式也有关系。以ChatGPT这类模型为例，模型经过指令微调和对齐训练之后，本质上学会了"听指令"这件事：你给一段用户指令，模型会尽量按照指令的要求组织输出。

指令微调很重要的一个副产物，就是模型学会了"遵循格式约束"。你在提示词里给一个JSON模板，模型输出的JSON结构往往很规整；你在提示词里说"只输出一句话"，模型通常就只写一句话。这不是因为模型对JSON或者语法有什么特殊天赋，而是训练数据中大量"按格式作答"的例子帮它建立了这种映射。

所以在写零样本提示时，不要以为模型真的在"理解"自然语言，你要把它理解成一个格式解析器加知识查询器的组合体。你用什么样的格式提问，它会倾向于用什么样的格式回答。方向给得越明确，它内部检索和规划的空间就越小，结果也就越可控。

2.3 模型默认行为的双刃剑特性

有一个现象很多初学者会忽略：如果你不在提示词里做任何约束，模型在零样本情况下会倾向给出"平均答案"——也就是说，它倾向于回答共性的、常见的内容，而不是针对你输入里的细节去推理。因为模型的本质还是概率生成，没有约束时它会顺着最顺畅路径往下写。

举个例子，你让模型判断一句"这个产品不太耐用"的评论情感，如果提示词里没有说清楚"只要输出正面或负面"，模型很可能输出一句完整的分析，比如"表示用户对产品耐用性不满，属于负面反馈"——这个结果信息量虽然多，但在自动化工单系统里毫无用处，解析成本反而更高。

这说明零样本提示真正要做的工作，是把"概率路径"尽量收窄到你的目标格式上。你的提示词约束得越细，模型在生成时就选择越少，结果稳定性就越高。所以我在实际项目中经常说：零样本提示的功夫一半在"如何描述任务"，另一半在"如何限制输出"。这两件事缺一不可。

3. 把零样本提示写好的一整套实操套路

3.1 第一件事：把任务动词写准确

新手最容易犯的毛病，是用很笼统的词开始提示词。比如"分析以下评论"，这个"分析"就很危险。模型会把它理解为从多个角度做开放式分析，结果输出五花八门。我在项目里会把任务动词收敛到具体的、可执行的动作上。

以下是我常用的动词对照参考：

还有一个配套的技巧：把任务动词和输出对象写在同一句话里，形成"做什么——对谁做——以什么形式输出"的完整链条。比如"请判断以下评论的情感倾向，输出结果为两个字：正面或负面"。这条指令看似简单，但把动作、对象、输出格式全部锁死，模型的效果会稳定很多。

3.2 给模型一个角色，建立知识检索范围

角色设定的作用，不是为了让提示词看起来更专业，而是要帮模型缩小知识检索的范围。比如"你是一位电商平台的客服质检专员"和"你是一位社会新闻编辑"，同样面对一条客服对话文本，模型关注的点完全不同。

这里要注意一个细节：角色越具体越好，但不要无中生有地叠加太多限制。我给过一个失败的案例——"你是一名拥有十年经验的产品经理，同时精通数据分析和心理学，还熟悉UI设计"——模型在这种多角色设定下出现了一种"既要又要"的语气，回答变得杂乱。原因也很简单，角色越复杂，模型要兼顾的维度就越多，边际又是概率生成，容易顾此失彼。

经验做法是：一个任务只给一个角色，角色描述尽量控制在30字以内。如果任务确实需要多维度，可以在正文部分分段体现，而不是堆在角色设定里。

3.3 输出模板：比说一百遍"JSON"都管用

零样本提示最怕的事情是：模型知道要输出JSON，但不知道JSON长什么样。只要你把结构写进提示词里，绝大多数情况下模型会严格照抄这个结构。举个例子：

请从以下客户反馈中提取关键信息，严格按照下面的JSON结构输出，不要输出其他内容： { "客户姓名": "", "订单号": "", "问题类型": "", "紧急程度": "高/中/低" }

这个提示词的成功率远高于"请以JSON格式输出"。原因在于你给模型提供了一个"形状"，模型生成的时候只是填充字段，而不是自己规划结构。实际测试中，这种带模板的零样本提示在结构化抽取任务上的格式正确率可以从60%左右提升到95%以上。

输出模板的设计本身也讲究：字段名要语义清晰，字段数量要控制在十个以内，可选值范围要写出来。还有一个容易被忽略的小坑：不要在模板里写太多装饰性的字段，比如"备注"或"其他说明"，模型看到说明书往往会真的写一堆无关内容进去，增加后续解析的噪音。

3.4 拆步骤：用零样本思维链处理复杂推理

遇到需要多步推理才能完成的任务时，直接让模型一步到位常常失败。比如让模型判断一份合同里是否存在违约金条款冲突，这种任务比较难通过一步输出完成，需要先定位条款、再对比语义、最后下结论。零样本思维链的核心，是把这个推理过程显式地写进提示词。

比较一下两种写法：

• 直接提问版本："这份合同中的违约金条款和付款条款是否存在矛盾？"
• 思维链版本：

我们需要逐步分析以下合同文本。请按步骤进行： 第一步：找出合同中所有提到违约金的条款，引用原文； 第二步：找出所有提到付款时间和付款条件的条款，引用原文； 第三步：对比违约金触发条件与付款时间节点是否一致； 第四步：如果一致，输出"无矛盾"；如果不一致，输出"存在矛盾"，并说明理由。

后者在复杂任务上的效果提升非常明显。原因是模型在生成每一步时，相当于把工作记忆里的中间结果明确写下来了，后面的步骤可以参考前面已经生成的文本，而不是凭空回忆。免费餐的思维链做法就是在不增加任何训练成本的情况下，把模型的一次"大推理"拆成多个"小推理"，显著降低出错概率。

3.5 明确约束条件，并且用"否定+肯定"双重表述

约束条件写得好不好，对零样本效果影响很大。很多人的提示词里只写了"不要输出多余内容"，但模型对"不要"的理解不如对"要"的理解更直接。更可靠的做法是同时给出否定和肯定两句话。

比如：

只输出一个类别名称，不要输出解释、不要输出标点以外的字符。输出内容只能是如下选项之一：退款、物流、质量、活动。

这样一来，模型既知道了不要做什么，也知道了必须做什么。从我的经验来看，"否定约束"负责排除错误，而"肯定约束"负责指向正确，两条规则同时存在的效果远比单说"不要"要稳定得多。约束条件的数量也要控制，堆太多条件会让模型陷入格式维护的内耗，反而影响主体任务的完成质量。

4. 三个典型任务的实测与对比

4.1 文本分类任务的零样本实测

先拿最不具争议的文本分类做基准。我构造了一个测试集，一百条中文客服对话，类别是"退款咨询/物流查询/商品质量/活动优惠"，每条对话长度从二十字到两百字不等。提示词采用第3节里讲到的结构：任务动词、角色、输出模板、约束条件。

跑了三版提示词：

• 版本A：只写"请判断以下对话属于哪一类"；
• 版本B：加上"你是客服质检系统的分类器，从给定四类中选一个"；
• 版本C：加上输出模板和约束条件，明确只输出单词。

实测结果：版本A准确率约62%，版本B约74%，版本C到了87%。这个差异足以说明零样本提示并不是"碰运气"，而是提示词质量直接决定效果。版本B的提升主要来自角色设定收窄了任务范围，版本C的提升主要来自约束条件减少了模型的"废话生成"。

4.2 字段抽取任务的零样本实测

第二个项目是字段抽取，目标是给定一段企业介绍文本，提取"公司名称、成立年份、主营业务、所在城市"四个字段。一开始我用的提示词是"提取以下文本中的关键信息"，结果模型把"关键信息"理解得很宽泛，除了四个目标字段还输出了员工数量、营收情况等一堆额外内容。

后来我把提示词改成带字段定义和输出表格的形式：

请根据以下文本填写表格，只填写给定的字段，如果文本中没有提到就写"未提及"。 | 公司名称 | 成立年份 | 主营业务 | 所在城市 |

这次效果立竿见影。表格模板引导模型把注意力集中在字段填写上，额外信息的输出概率被抑制了。我还发现一个小技巧：给每个字段追加一个说明性括号，比如"主营业务（给出最核心的两三类业务）"，因为字段本身加上括号说明之后，模型对字段边界的理解会清晰很多。

这个例子说明一个道理：抽取出错时，先不要怀疑模型能力不足，要回头看看你的字段定义够不够清楚。字段定义边界模糊，模型的输出一定模糊。

4.3 代码生成任务的零样本实测

第三个任务是让模型根据自然语言需求生成一个Python函数。需求描述是"写一个函数，输入是包含多个标题的列表，输出是剔除重复标题后的列表，保留第一个出现的标题"。

零样本版本我写了三版。第一版需求只有一句话，输出的代码虽然能跑，但是实现方式依赖排序特征，删除了标题后又打乱了原始顺序。第二版我在需求里追加了两条隐性要求："保持列表原有的顺序""时间复杂度尽量低"。第三版在第二版基础上加了一句："不要使用外部库"。

测试结果，第三版给出的代码用了哈希集合记录已见标题，同时遍历原列表并维护输出列表，时间复杂度和空间复杂度都符合要求，还能应对标题中包含重复空格之类的脏数据情况。这说明在代码生成这类任务里，"隐性需求的显式化"是零样本提示成功的关键。模型不会自动猜到你需要保持顺序，除非你把这条规则写出来。把需求里最容易被人忽略但又极其重要的约束写清楚，是代码生成提示词的核心思路。

4.4 三类任务的横向汇总

把以上实测汇总成一张表，可以更直观地看到零样本提示在不同任务类型中的表现差异：

这一类数据说明一个通用的规律：零样本提示的效果天花板不在模型能力，而在你描述任务的质量。你愿意多花五分钟把约束写清楚，模型就能省下大量重新追问和错误推理的代价。这也是我在团队里一直强调的"提示词写得不细致，就不要抱怨模型不给力"。

5. 零样本提示失效的典型场景与补救手段

5.1 领域知识盲区：模型没见过，怎么写提示都没用

零样本提示有一个天然限制：模型的知识边界等于预训练数据的知识边界。如果任务涉及极其冷门的领域，比如某个特定设备系列的维修手册，或者某个即将上线的新产品规则，模型可能根本没有相关记忆。

我遇到过一次比较典型的失败：让模型识别一个内部系统里的错误码，错误码格式是"ERR-2024-AB12"这样的自定义格式，模型完全不认识。不管我怎么调整角色和示例说明——V4版本用了思维链——它也无法输出准确的映射关系，因为映射规则本身就不存在于模型的记忆中。

这类场景的补救手段很明确：要么通过少样本提示人工喂给模型几条映射关系，要么把错误码映射表直接放进提示词的上下文中，让模型做查表而不是背知识。一句话总结：零样本处理的是"模型已经会但你没说清"的问题，处理不了"模型本来就不会"的问题。判断任务到底是哪一种，决定你要不要继续优化提示词。

5.2 指令自相矛盾导致模型左右为难

另一个常见失效场景是指令内部冲突。我见过一份团队里转来的提示词，开头写着"尽可能详细地分析"，结果部分却写着"只输出一个词"。模型面对互相矛盾的要求时，倾向于选择它认为"更安全"的方式，通常是输出更长、更详细的文本，因为那看起来信息更完整。

这种情况其实不难排查。当模型的输出和格式要求不一致时，先检查提示词里是不是存在前后约束打架的问题。逐条整理提示词里的要求，把它拆成"采集类要求"和"限制类要求"两类，这两类之间一旦出现矛盾，必须删掉其中一个。具体来说，你在做信息抽取时，不该要求模型"全面保留原文信息"，又要求"只输出两个字段"，这两条本质上是对立的。保留原文信息和压缩到两个字段之间必然有折中，要把合理的折中方案明确写出来。

5.3 输出不稳定：同一个问题跑两次结果不一样

零样本提示还有让不少工程师头疼的问题：输出不稳定。温度参数设为默认值的时候，同一个问题跑两次，可能出现不同的结果。在分类任务上还好，大部分时候只是标签顺序变化；在最坏的情况下，可能一次输出了正确标签，另一次输出了解释性句子。

针对输出不稳定，我在实际项目里会用两种手段。第一种是把温度调低（低于0.3），同时固定随机种子。第二种在提示词里加一条"以不包含任何解释的单个词回答"，直接从根源上减少生成空间。如果加了这些依然不稳定，那我就会放到底部排查上游任务的分类边界，看看是不是你把几个类别定义太接近，逼得模型在边缘样本上反复横跳。这种时候不要和模型较劲，调整类别定义或者扩大输入上下文才是正路。

5.4 几条我在实战里用过的补救策略

总结一下零样本提示失效后的处理顺序，我的经验是：

1. 重新写任务描述：把任务动词换掉，把角色设定删掉或换掉，看看输出有没有变化。
2. 重写输出模板：如果你给了模板但模型不遵守，换个模板结构，比如从JSON转成表格，或者反过来。
3. 拆任务步骤：把一个大提示词拆成两三个小提示词串联，每个小任务只做一件事。
4. 补充背景上下文：把领域术语的定义、分类标准写进提示词，把知识补足。
5. 最后才考虑少样本或微调：前提是你已经确认纯粹靠描述任务达不到预期。

这五步里前三步优先级最高，成本最低，通常能解决七成以上的"看似失效"问题。给我印象最深的是拆任务步骤这条——很多人喜欢把复杂的任务全部压在一个提示词里，模型一旦出错又无从下手排查。拆成小步骤之后，你能精确锁定在哪一步出的问题，排查效率高得多。

6. 从零样本起步的提示工程工作流

6.1 第一步永远是建立评估集，哪怕只有三十条

我在前面讲了很多提示词技巧，但真正落地的时候，最关键的其实是评估集。很多人在调零样本提示时凭感觉，看到一两条输出不错就认为任务解决了，这是一个很大的误区。语言模型输出的偶然性很强，可能某条输入碰巧触发了一个正确的推理路径，换个样本就完全不对。

我的建议永远是从一个小评估集起步，五十到一百条就够了。这批数据你要人工标注好，作为后续所有调优的基准。评估集不需要很复杂，关键是要覆盖输入的典型形态和边界情况。比如做分类任务，评估集里必须包含容易混淆的样本；做抽取任务，必须包含某些字段缺失的样本。

有一个办法是我早几年就在用的：评估集建好之后，第一版提示词无论如何都是零样本的。目的不是追求一次到位，而是要得到一个可量化的基线。等你后面做少样本、甚至做微调的时候，回看这个基线，你就知道每一步改动到底带来了多少收益。没有这个基线，之后做的任何优化都很难说有对应的提升依据。

6.2 零样本起手，评估结果决定下一步动作

拿到零样本评估结果之后，按结果分布可以分成几种情况，每种情况对应不同的动作：

• 准确率达到预期且输出稳定：直接沿用零样本方案，不增加任何数据成本。
• 准确率接近预期但不稳定：尝试调低温度、固定随机种子、增强输出约束。如果仍然不稳定，看具体是哪类样本在抖动。
• 准确率低于预期但错误有规律：把错误样本聚集在一起看，往往能发现模型在某个特定子类型上系统性出错。这时优先考虑补充提示词描述，而不是立刻上少样本。
• 错误完全随机、没有规律：这时候考虑领域知识盲区或任务定义模糊，先补充背景上下文，再考虑少样本提示。

这样处理的最大好处是：你每走一步都带着明确的目标，而不是一直以"再换一版提示词试试"的方式盲目试。不要把少样本当成零样本的默认后续手段，少样本的示例选择和维护都是有成本的，能用提示词描述化解的问题不要轻易引入示例数据。

6.3 评估成本与可维护性：零样本不是权宜之计

很多团队把零样本提示当作正式方案的备胎，总觉得没有示例支撑的任务不够可靠，最终还是往微调方向走。但我在多个生产项目里验证过，零样本提示只要满足两个条件就能长期服役：第一，任务定义清晰且需求变化不频繁；第二，评估集能持续维护并定期回测。

第一个条件很好理解，比如邮件分类、工单打标这类任务，类别体系一旦定下来就不怎么变。第二个条件更值得注意——很多人把评估集建好之后就不管了，但线上输入分布是会变的。我建议每个月跑一次回归测试，把线上新增的样本加入评估集，看看零样本提示的效果有没有悄悄下滑。如果下滑了，优先检查提示词有没有被改过，然后再看输入分布变化。这种持续维护的零样本方案在成本和效果两端的表现，都比我见过的很多微调方案更令人放心。

我个人的体会是，零样本提示不是简化的替代品，而是一种需要认真经营的技术路线。它和少样本、微调并不是线性递进的关系，而是各自适用不同场景的平行选项。用对了地方，它帮你省掉大量数据工作；用错了地方，你再怎么调提示词都是给自己挖坑。这也是我做提示词工程这几年最深的感触：先想清楚任务的边界和评估标准，再决定要不要摸模型权重，这才是真正高效的工作顺序。