--- title: "Zero-shot学习：无示例推理" description: "探索大语言模型的零样本学习能力，无需任何示例即可完成任务" tags: ["Zero-shot", "零样本学习", "LLM", "推理"] category: "llm" icon: "🧠"

Zero-shot学习：无示例推理

什么是Zero-shot学习

Zero-shot学习（零样本学习）是指模型在没有任何标注示例的情况下，仅通过任务描述就能完成新任务的能力。这是大语言模型最强大的能力之一。

Zero-shot的核心原理

大语言模型通过在海量文本上预训练，学习了任务的通用模式。当给出清晰的任务描述时，模型能够"理解"并执行任务。

from openai import OpenAI

client = OpenAI()

# Zero-shot分类
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[
        {"role": "system", "content": "你是一个文本分类器。"},
        {"role": "user", "content": "将以下文本分类为正面、负面或中性：\n\n'这个产品质量一般，但价格还可以'"}
    ]
)

print(response.choices[0].message.content)
# 输出: 中性

Zero-shot应用场景

1. 情感分析

def zero_shot_sentiment(text):
    prompt = f"""判断以下文本的情感倾向（正面/负面/中性）：

文本："{text}"

只输出情感类别，不要解释。"""
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0
    )
    return response.choices[0].message.content.strip()

# 测试
texts = [
    "服务态度很好，会再来",
    "产品质量太差了",
    "还行吧，一般般"
]

for text in texts:
    result = zero_shot_sentiment(text)
    print(f"'{text[:15]}...' -> {result}")

2. 文本摘要

def zero_shot_summarize(text, max_length=100):
    prompt = f"""请用不超过{max_length}字概括以下内容：

{text}

摘要："""
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content.strip()

# 示例
article = """
人工智能（AI）正在改变各个行业。从医疗诊断到自动驾驶，从金融风控到教育个性化，
AI技术的应用越来越广泛。特别是大语言模型的出现，使得自然语言处理能力大幅提升，
让机器能够更好地理解和生成人类语言。然而，AI的发展也带来了隐私、就业等方面的挑战，
需要社会各界共同应对。
"""

summary = zero_shot_summarize(article)
print(f"摘要: {summary}")

3. 命名实体识别

def zero_shot_ner(text):
    prompt = f"""识别以下文本中的人名、地名、组织名：

文本："{text}"

以JSON格式输出，包含person、location、organization三个字段。"""
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# 示例
text = "马云在杭州创办了阿里巴巴，现在是一家全球知名的科技公司。"
entities = zero_shot_ner(text)
print(entities)

4. 语言翻译

def zero_shot_translate(text, target_lang="英语"):
    prompt = f"将以下文本翻译成{target_lang}：\n\n{text}\n\n翻译："
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content.strip()

# 测试多语言翻译
text = "机器学习正在改变世界"
print(f"英语: {zero_shot_translate(text, '英语')}")
print(f"日语: {zero_shot_translate(text, '日语')}")
print(f"法语: {zero_shot_translate(text, '法语')}")

Zero-shot vs Few-shot 对比

import time

def compare_approaches(text):
    """对比Zero-shot和Few-shot的效果"""
    
    # Zero-shot
    zero_shot_prompt = f"""判断文本情感（正面/负面/中性）：
"{text}" """
    
    # Few-shot
    few_shot_prompt = """判断文本情感（正面/负面/中性）。

示例：
"太棒了！" -> 正面
"质量很差" -> 负面
"还行" -> 中性

现在判断：
""" + f'"{text}"'
    
    results = {}
    for name, prompt in [("Zero-shot", zero_shot_prompt), ("Few-shot", few_shot_prompt)]:
        start = time.time()
        response = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}],
            temperature=0
        )
        elapsed = time.time() - start
        
        results[name] = {
            "result": response.choices[0].message.content.strip(),
            "time": elapsed,
            "tokens": response.usage.total_tokens
        }
    
    return results

# 对比测试
text = "服务态度一般，但产品质量不错"
results = compare_approaches(text)
for name, info in results.items():
    print(f"{name}: {info['result']} ({info['time']:.2f}s, {info['tokens']} tokens)")

提升Zero-shot效果的技巧

1. 清晰的任务定义

# ❌ 模糊定义
prompt_vague = "分析这段文本"

# ✅ 清晰定义
prompt_clear = """分析以下用户评论，提取以下信息：
1. 情感倾向（正面/负面/中性）
2. 提到的产品类别
3. 主要关注点（质量/价格/服务/物流）
4. 购买意愿（强/弱/无）

文本："{text}"

以JSON格式输出。"""

2. 标签定义增强

def enhanced_zero_shot(text, labels):
    """带标签定义的Zero-shot分类"""
    label_definitions = {
        "紧急": "需要立即处理，影响核心业务",
        "重要": "需要尽快处理，但不紧急",
        "一般": "常规事务，按计划处理",
        "低优先": "可以延后处理"
    }
    
    labels_text = "\n".join([
        f"- {label}: {label_definitions.get(label, '')}"
        for label in labels
    ])
    
    prompt = f"""将工单分类到以下优先级：

{labels_text}

工单内容："{text}"

分类："""
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0
    )
    return response.choices[0].message.content.strip()

# 使用
ticket = "服务器宕机，所有用户无法访问"
priority = enhanced_zero_shot(ticket, ["紧急", "重要", "一般", "低优先"])
print(f"优先级: {priority}")

3. 结构化输出

def structured_zero_shot(text):
    """强制结构化输出"""
    prompt = f"""分析以下文本并以严格的JSON格式输出：

文本："{text}"

要求的JSON格式：
{{
  "sentiment": "positive/negative/neutral",
  "confidence": 0.0-1.0,
  "keywords": ["关键词1", "关键词2"],
  "summary": "一句话摘要"
}}

只输出JSON，不要其他内容。"""
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0
    )
    
    import json
    return json.loads(response.choices[0].message.content)

# 使用
result = structured_zero_shot("新发布的手机性能很强，但电池续航不太理想")
print(result)

Zero-shot的局限性

1. 复杂任务：对于需要专业领域知识的任务，效果可能不如Few-shot
2. 格式控制：输出格式可能不够稳定
3. 边界情况：对于模糊或边界案例，判断可能不够准确

实际应用案例

# 自动化邮件回复
def auto_reply_email(email_content):
    prompt = """作为客服助手，根据邮件内容生成简短友好的回复。

邮件内容："{email_content}"

要求：
1. 确认收到邮件
2. 简要回应要点
3. 说明后续步骤
4. 保持专业友好的语气"""
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

总结

Zero-shot学习是大语言模型的核心能力，通过清晰的提示设计，可以在无需任何示例的情况下完成各种NLP任务。虽然在某些复杂场景下Few-shot可能更优，但Zero-shot的便捷性和通用性使其成为许多应用的首选方法。