Zero-Shot Prompting 入门：在 developer-roadmap 中掌握无示例提示工程

• 文档
• 教程
• 知识库

本文是 developer-roadmap 项目中 AI Engineer 路线图 下「Zero Shot Prompting」知识点的深度讲解。文章以该知识点文档为骨架，结合仓库内 prompt-engineering 路线图 等配套内容展开，帮助你理解零样本提示的工作原理、写法、适用场景与边界，并能在实际工程中直接复用。

什么是 Zero-Shot Prompting（零样本提示）

Zero-shot prompting（零样本提示）是一种提示工程（prompt engineering）方法，它的核心思想是：在提示中只描述任务，不给模型提供任何输入-输出示例，完全依靠大语言模型（LLM）在预训练阶段积累的知识与模式识别能力来推断出合适的响应。

正如关联文档 zero-shot@15XOFdVp0IC-kLYPXUJWh.md 所定义的：

Zero-shot prompting is a prompt engineering method that relies on the pretraining of a large language model (LLM) to infer an appropriate response. In contrast to other prompt engineering methods, such as few-shot prompting, models aren't provided with examples of output when prompting with the zero-shot technique.

这句话包含三个关键信息：

1. 依赖预训练（pretraining）：模型之所以能"零样本"作答，是因为海量预训练语料让模型学会了语言的规律、知识的分布和常见任务的完成方式；
2. 不提供示例：与 few-shot 不同，zero-shot 的提示中没有任何输入-输出样例；
3. "推断"响应：模型需要自行理解任务描述并组织输出，这既是它的优势（省 token、灵活），也是它的短板（复杂任务可能不稳定）。

在 prompt-engineering 路线图 中也有同样的定位：

Zero-shot prompting provides only a task description without examples, relying on the model's training patterns.

Zero-Shot 与 Few-Shot、One-Shot 的对比

要真正理解 zero-shot，必须把它放进提示工程的"示例粒度"光谱中对比。仓库中 few-shot@DZPM9zjCbYYWBPLmQImxQ.md 与 one-shot--few-shot-prompting@Iufv_LsgUNls-Alx_Btlh.md 两个文档给出了完整的参照系：

few-shot 文档中的原话说明了它相对 zero-shot 的定位：

Few-shot prompting is a technique used with large language models (LLMs) where you provide a small number of example input-output pairs in the prompt itself... By seeing these "few shots" of correct answers, the LLM can better understand the pattern and generate accurate and relevant responses for new, unseen inputs.

而 one-shot/few-shot 文档还明确给出了选择建议：当 zero-shot 结果不稳定、任务需要复杂格式或专业场景时，改用 few-shot。因此 zero-shot 与 few-shot 并非谁取代谁，而是同一条"任务约束强度"轴上的不同档位。

如何编写一个 Zero-Shot 提示

zero-shot 提示的写法非常简洁，通常由三部分组成（参见 prompt-engineering/content/zero-shot-prompting@GRerL9UXN73TwpCW2eTIE.md）：

1. 清晰的任务描述：说明你要模型做什么；
2. 输入数据：待处理的内容；
3. （可选）输出格式：指定输出的结构，如 JSON、列表、指定字段等。

将以下评论的情感分类为"正面"、"负面"或"中性"，只输出类别名称。 评论：这家店的物流很快，包装也很用心。 输出：

这是一个典型的零样本情感分类提示：任务描述（分类）、输入数据（评论）、输出约束（只输出类别名称）都已齐备，但没有给出任何"正面评论长什么样"的示例。

再举一个结构化输出的例子：

从下面的招聘信息中提取岗位名称、工作地点和薪资范围，并以 JSON 格式返回。 招聘信息：我们正在寻找一名资深后端工程师，base 上海，月薪 30k-45k，负责高并发系统的设计与优化。 输出：

这类"描述任务 + 指定格式"的写法，与仓库中 output-control@wSf7Zr8ZYBuKWX0GQX6J3.md 所讲的输出控制思想一致——通过提示约束输出的长度、格式与内容边界，保证结果可被下游系统直接解析。

工作原理：为什么模型"零示例"也能完成任务

zero-shot 能工作的根基是 LLM 的预训练（pretraining）。在预训练阶段，模型在海量文本上学习语言分布规律，其中包含了大量"任务指令-期望输出"模式的隐性知识。当提示中出现"把这段话翻译成英文"这类指令时，模型会把它匹配到预训练中学过的对应模式，从而在没有示例的情况下直接生成响应。

这也解释了它的两个特性：

• 上限取决于模型能力：模型预训练覆盖越广、指令遵循能力越强，zero-shot 表现越好；
• 无需任何标注数据：zero-shot 是投入成本最低的提示方式，适合快速验证任务可行性。

从这个角度看，zero-shot 与 what-is-a-prompt@i4ijY3T5gLgNz0XqRipXe.md 中"提示是引导模型输出生成的指令与上下文"的定义一脉相承——zero-shot 提示的质量，本质上取决于你如何把"指令 + 上下文"组织得足够清晰。

适用场景与已知局限

根据关联文档与配套路线图内容，zero-shot 的适用边界可以归纳如下：

适合的任务：

• 简单分类（如情感分类、意图分类）；
• 通用文本生成（如写摘要、润色、翻译）；
• 常规问答。

已知局限：

• 复杂任务输出不稳定：当任务需要严格遵循特定格式、专业领域规则或多步推理时，zero-shot 可能产生不一致甚至错误的结果；
• 格式漂移：仅靠文字描述输出格式，模型可能漏字段、改键名或混入多余解释。

针对这些局限，prompt-engineering 路线图 给出的工程建议是：当 zero-shot 结果不一致时，升级为 few-shot（提供 3~5 个示例示范输出结构、风格与语气）；也可以在提示中进一步收紧约束，或结合温度、top-p 等采样参数稳定输出（参见 sampling 相关文档）。

在 AI Engineer 路线图中的位置与进阶路径

在 AI Engineer 路线图 中，zero-shot 属于提示工程基础能力板块。要把它用好，建议沿以下路径深入：

1. 打好基础：先理解"提示是什么"（what-is-a-prompt@i4ijY3T5gLgNz0XqRipXe.md）与提示工程整体方法论（prompt-engineering@VjXmSCdzi2ACv-W85Sy9D.md）；
2. 掌握对比技术：理解 one-shot / few-shot 何时取代 zero-shot（one-shot--few-shot-prompting@Iufv_LsgUNls-Alx_Btlh.md）；
3. 控制输出：用输出格式约束与采样参数提升 zero-shot 的可靠性（output-control@wSf7Zr8ZYBuKWX0GQX6J3.md）；
4. 进阶组合：当 zero-shot 单独无法满足需求时，可与思维链（CoT）、角色提示（role prompting）等进阶技术组合使用，相关内容同样收录在 prompt-engineering 路线图 中。

小结

Zero-shot prompting 是提示工程中最基础也最常用的技术之一：不给示例，全靠模型预训练能力推断响应。它的价值在于成本最低、上手最快，适合简单分类、生成与问答类任务；它的边界在于复杂任务下输出不稳定，此时应升级到 one-shot / few-shot 或收紧输出约束。

在实际项目中，建议把 zero-shot 作为任务的第一版提示基线：先跑通，再根据结果稳定性决定是否需要加入示例或结构化约束。这也正是 developer-roadmap 将 zero-shot 与 few-shot 并列编排在 AI Engineer 与 Prompt Engineering 两条路线图中的用意——它们是同一能力阶梯上相邻的两级。

• 文档
• 教程
• 知识库