11 Prompt 工程進階：Few-shot 與 Chain-of-Thought
前10節總結 & 后10節展望
在前 10 節，我們已經完成了 AI 產品經理的入門階段：
- 1–3：理解了大模型的基本概念、Token、Prompt 基礎；
- 4–5：體驗了本地部署與 API 調用；
- 6–8：掌握了 RAG 技術鏈路（Embedding + 向量數據庫），讓模型學會查資料；
- 9：學會了評估 AI 產品的效果；
- 10：寫出了第一份 AI 產品 PRD。
可以說，這 10 節我們已經完成了從 “知道 AI 是什么” → “能跑起來一個 Demo” → “能寫出產品文檔” 的過程。
接下來的 第 11–20 節，我們進入 進階階段：
- 深入 Prompt 工程（Few-shot、Chain-of-Thought、模板化）；
- 構建完整的 RAG 系統，并做優化（檢索、向量庫、評估平臺）；
- 體驗多輪對話、流式輸出、Web Demo；
- 學習如何把技術和 具體行業場景（教育、電商、金融） 結合。
👉 今天（第 11 節）是第二階段的開篇，我們要學習的內容是 Prompt 工程進階技巧。
為什么要學習 Prompt 工程？
在第一階段的實驗中，你可能發現：
- 有時候模型回答很棒，但有時候答得完全跑偏；
- 問題稍微復雜一點，答案就不靠譜；
- 同一個問題，不同次回答可能差別很大。
這說明，大模型的表現 高度依賴 Prompt（提示詞）。
就像和人交流，如果你說得含糊，對方可能亂猜；但如果你舉例說明、逐步解釋，對方往往理解得更準確。
👉 Prompt 工程就是學習“如何和模型對話”，讓它表現得更穩定、更符合需求。
今天我們重點看兩種方法：
- Few-shot（少樣本提示）：通過給模型一些“示范”，讓它模仿；
- Chain-of-Thought（思維鏈提示）：要求模型“逐步推理”，而不是只給最終答案。
一、核心概念（零基礎友好解釋）
1. Zero-shot vs Few-shot
- Zero-shot（零樣本）：不給示例，直接問問題。
- Few-shot（少樣本）：先給幾個示例，讓模型模仿示例風格或推理方式。
2. Chain-of-Thought（思維鏈）
- 直譯：讓模型“展示推理過程”。
- 作用：尤其適合邏輯推理、數學題、復雜業務流程，可以顯著提升準確率。
二、實踐：對比實驗
Python 示例
from openai import OpenAIclient = OpenAI(base_url="http://127.0.0.1:11434/v1", api_key="ollama")def ask(prompt):resp = client.chat.completions.create(model="deepseek-r1",messages=[{"role": "user", "content": prompt}],temperature=0.2)return resp.choices[0].message.content# Zero-shot
q1 = "小明有12個蘋果，給了朋友3個，然后又買了5個，現在有多少個蘋果？"
print("Zero-shot 回答：")
print(ask(q1))# Few-shot
q2 = """示例：
Q: 小紅有10個橙子，吃了2個，還剩多少？
A: 她還剩 8 個橙子。Q: 小王有7支筆，送人2支，還剩多少？
A: 他還剩 5 支筆。現在請回答：
Q: 小明有12個蘋果，給了朋友3個，然后又買了5個，現在有多少個蘋果？
A:"""
print("\nFew-shot 回答：")
print(ask(q2))# Chain-of-Thought
q3 = """請逐步推理：
小明有12個蘋果，給了朋友3個，然后又買了5個，現在有多少個蘋果？"""
print("\nChain-of-Thought 回答：")
print(ask(q3))預期結果
在學術定義中，三種方式本應區別如下：
- Zero-shot：只給結果
- Few-shot：模仿示例，風格更統一
- CoT：逐步推理，展示步驟
特別說明：為什么 DeepSeek R1 三種方式都輸出了推理過程？
如果你用 DeepSeek R1 跑實驗，可能會發現：
- Zero-shot / Few-shot / CoT 的回答里都有
<think>部分； - 模型總是自動展示推理過程。
這是因為：
- DeepSeek R1 是“推理增強模型”，被設計成默認生成思維鏈，即使用戶沒有要求。
- 這是它的特性，不代表 Zero-shot / Few-shot / CoT 的概念無效。
- 在代碼里，你可以通過正則去掉
<think>部分，得到更接近“標準差異”的對比結果。
👉 換句話說：概念依然正確，但模型行為會因實現不同而有所差異。
三、產品經理思考
1. 為什么 PM 要懂 Few-shot 和 CoT？
- 交互設計：決定用戶是“一問一答”，還是用模版（Few-shot）。
- 控制風格：通過 Few-shot 可以固定回答口吻（禮貌、專業、簡潔）。
- 保證準確率：涉及邏輯推理的任務，必須要求模型展示思維鏈。
2. 模型行為差異要注意
-
有些模型簡潔（GPT-3.5），Zero-shot 只給答案。
-
有些模型“話多”（DeepSeek R1），會自動展示推理過程。
-
在 PRD 中要寫清楚：
- 是否要展示推理過程給用戶？
- 是否只在后臺保留（便于調試）？
- 是否需要清理
<think>標簽，讓用戶只看到最終答案？
3. 案例
- 教育產品：學生問數學題 → 用 CoT 提示，強制展示步驟。
- 客服機器人：用 Few-shot 保證禮貌統一。
- 企業助手：可以保留
<think>作為調試日志，但前端只展示結果。
四、小結
- Few-shot：通過示例提升模型模仿能力。
- Chain-of-Thought：通過逐步推理提升邏輯準確性。
- DeepSeek R1 默認輸出思維鏈，這是它的特性，不影響我們理解概念。
- PM 角度：Prompt 工程是“產品體驗的調節閥”，不同模型行為差異本身也是產品設計的考量點。
