在 Agent 语境下，Zer-shot、One-shot 和 Few-shot Prompting 有什么区别？
在 AI Agent（智能体） 的语境下，Zero-shot、One-shot 和 Few-shot Prompting 的核心区别不仅仅在于“给了几个例子”，而在于模型是如何学习“思考路径（Reasoning）”和“工具使用（Tool Use）”的。
Agent 的核心通常涉及 感知 -> 规划 -> 行动（调用工具） -> 反馈 的循环。这三种提示策略决定了 Agent 如何理解这个流程。
我们可以用“教新员工做事”来类比这三者：
1. Zero-shot Prompting (零样本提示)
定义：
你不给模型任何具体的示例，只给出任务描述、可用工具的定义和系统指令（System Prompt）。模型完全依赖其预训练知识和指令遵循能力来推断该怎么做。
Agent 语境下的特点：
- 依靠通用逻辑： Agent 必须自己“悟”出如何将用户意图转化为工具调用。
- 测试泛化能力： 用于测试模型是否真正理解了工具的文档描述。
示例 (Prompt)：
System: 你是一个天气助手。你可以使用
get_weather(city)工具。
User: 帮我查查北京的天气。
Agent 的内部反应：
(模型完全靠自己理解) -> “用户要天气，我有天气工具，所以我应该输出：Action: get_weather('Beijing')”
优缺点：
- 优点： 最节省 Token（成本低），响应速度快，最灵活（不受示例限制）。
- 缺点： 在复杂任务中容易“幻觉”（比如编造参数），或者输出格式不符合要求（比如忘记输出 JSON 格式）。
2. One-shot Prompting (单样本提示)
定义：
你在 Prompt 中提供一个完整的“输入 -> 思考 -> 行动 -> 输出”的示例。
Agent 语境下的特点：
- 规范格式： 主要用于告诉 Agent “输出长什么样”。
- 启动引导： 就像给新员工演示了一遍标准操作流程。
示例 (Prompt)：
System: 你是一个助手。
Example:
User: 谁是埃隆·马斯克？
Thought: 用户在问名人信息，我需要搜索。
Action:search_wiki("Elon Musk")
Observation: 埃隆·马斯克是 SpaceX 的 CEO...
Final Answer: 埃隆·马斯克是知名企业家...User: 谁是奥巴马？
Agent 的内部反应：
(模型模仿示例的结构) -> “刚才那个例子是先思考再搜索，那我也照着做：Thought: 用户问名人... Action: search_wiki('Obama')”
优缺点：
- 优点： 能显著修正 Agent 的输出格式（比如强制要求输出 JSON 或特定的 ReAct 格式）。
- 缺点： 容易导致过拟合。例如，如果示例是“查天气”，当用户问“算加法”时，Agent 可能会错误地尝试去查天气，因为它以为所有任务都要像示例那样处理。
3. Few-shot Prompting (少样本提示)
定义：
你提供多个（通常 2-5 个）不同场景下的完整示例。这在学术上也被称为 In-Context Learning (上下文学习)。
Agent 语境下的特点：
- 教导复杂逻辑： 通过不同的例子，教会 Agent 如何处理分支情况、错误处理或多步推理。
- 工具选择能力： 可以展示一个例子用工具 A，另一个例子用工具 B，第三个例子拒绝回答，从而教会 Agent 决策边界。
示例 (Prompt)：
System: 你是一个全能助手。
Example 1 (简单查询):
User: 你好。
Agent: 你好！有什么我可以帮你的吗？Example 2 (需要工具):
User: 234 乘以 89 等于多少？
Thought: 这是一个数学计算。
Action:calculator(234, 89, "*")Example 3 (多步任务):
User: 帮我定个明天去上海的闹钟。
Thought: 我无法直接定闹钟，但我可以查询去上海的航班，或者你需要提醒？
Final Answer: 对不起，我只能查询信息，无法设置手机闹钟。User: 现在的美元汇率是多少？
Agent 的内部反应：
(模型通过对比学习) -> “这既不是打招呼，也不是拒绝回答的任务，这像 Example 2 需要用工具。所以我应该调用汇率工具。”
优缺点：
- 优点： 极大提升 Agent 处理复杂任务的稳定性、准确率和推理能力；能有效减少幻觉。
- 缺点： 消耗大量 Token（成本高），增加延迟（Latency），且如果示例质量不高，会误导模型。
总结对比表
| 特性 | Zero-shot (零样本) | One-shot (单样本) | Few-shot (少样本) |
|---|---|---|---|
| 类比 | 直接下命令：“去干活” | 演示一次：“看我做一遍” | 培训课：“这是情况A的处理法，那是情况B的处理法...” |
| Agent 核心作用 | 依赖模型智商，测试泛化 | 规范输出格式 (Format Compliance) | 提升推理逻辑 (Reasoning) & 处理边缘情况 (Edge Cases) |
| Token 消耗 | 低 | 中 | 高 |
| 适用场景 | 简单对话、通用任务、模型能力极强时 (如 GPT-4) | 需要特定 JSON 结构、特定语气时 | 复杂的多步决策、需要使用生僻工具、容易出错的任务 |
| 常见风险 | 格式错误、胡乱调用工具 | 过度模仿 (Overfitting) | 上下文窗口溢出、成本昂贵 |
在 Agent 开发实战中的建议：
- 起步： 先用 Zero-shot 配合强大的模型（如 GPT-4o, Claude 3.5 Sonnet）测试 Prompt。
- 规范： 如果 Agent 总是忘记输出 JSON 或者忘记写
Thought:，加入 One-shot。 - 优化： 如果 Agent 在选择工具时经常选错，或者遇到困难问题就卡住，构建高质量的 Few-shot 示例集（包含正例和反例）。