上一篇文章，跟大家介紹了 Few-shot 的概念與用法，除了 Few-shot 外，還有 Zero-shot 和 Many-shot 模式，差別如下：

• Zero-shot：完全不給範例，只靠指令。
• Few-shot：給少量範例 (通常 1–5 個)。
• Many-shot：給大量範例 (10 個以上)，有點像微調模型的簡化版。

這三者的核心差別在於給 AI 幾個範例來引導它完成任務。就像教學生一樣，有時候你只需要說明概念，有時候需要示範幾個例子，有時候則要提供 AI 大量的練習。

Zero-shot

介紹：

Zero-shot (零範例) 只透過自然語言的指令描述任務，不會提供任何範例，完全依賴模型本身的理解能力

提示詞參考：

請為 ESG 飲料生成三則廣告文案，每則不超過 20 字。

優缺點：

Zero-shot 不需要提供範例，所以指令非常簡單，相對也節省 Token，回應速度也最快。而且可以讓 AI 自由發揮，可能適合需要發散或探索型的任務。

但是他的品質不穩定，難以掌握輸出的結果，可能需要多次來回嘗試，對於複雜或太新的任務需求，容易答非所問

Few-shot

介紹：

Few-shot (少量範例)，通常會在指令中提供 1 ~ 5 個品質優質的範例，為的是讓 AI 可以模仿其中的格式、風格或邏輯。

提示詞參考：

範例：
產品：AI 筆記軟體
文案：記錄靈感，就像有個 24 小時不休息的助手。

產品：智慧健身手錶
文案：讓每一步，都算數。

現在請生成文案：
產品：ESG 飲料

優缺點：

因為有範例可參考指導，所以品質相對穩定，也比 Zero-shot 能預期輸出的結果，我們也能引導 AI 模仿範例的語氣、格式或結構，提高輸出的一致性。

但是正因為需要 AI 參考範例，所以範例的品質與篩選尤為重要，我們需要花時間去挑選或設計範例，此外如果過於依賴範例的格式，有可能扼殺 AI 模型的創造力

Many-shot

介紹：

Many-shot (大量範例) 通常會提供 10 個以上的範例讓模型學會一個複雜的任務，幾乎可說是用提示詞做模型微調了

提示詞參考：

請分析以下留言的情感傾向（正面 / 負面 / 中性）：

範例 1：「產品很好用，推薦大家」→ 正面
範例 2：「價格有點貴，但品質不錯」→ 中性
範例 3：「完全不能用，很失望」→ 負面
...（此處省略 10+ 個涵蓋各種情況的標註範例）

現在請分析：「功能還可以，但介面有點複雜」

優缺點：

透過大量的優質範例，可以讓 AI 學到更多細微的模式，也能處理更多的例外狀況，所以錯誤率最低，最適合需要細緻判斷的任務，例如情感分析、內容審核、法律分析 ... 等等。

但這樣的模式會消耗大量的 Token，而且要準備大量且優質的範例也需要很多時間，所以金錢和時間的成本都會提高，同時也限制了模型的靈活性，所以比較不適合需要創意的任務

Many-shot 和 Fine-tuning 可以怎麼選擇？

你可能會發現 Many-shot 的介紹聽起來跟 Fine-tuning (模型微調)非常像，這是因為他們的目標很類似，都是為了讓 AI 學會一個高度結構化的任務，以達到最穩定、最不會出錯的輸出。

但他們在實作跟成本上，還是有所差別：

• Many-shot：是在提示詞中提供大量的範例以解決問題，我們每一次呼叫 AI，都要重新把大量的範例全部塞到提示詞中
• Fine-tuning：是直接在模型中解決問題，我們會提供數百甚至數千個範例來訓練一個客製化的新模型，訓練完成後，只需要用 Zero-shot 或 Few-shot 的簡單指令，就能使用我們訓練好的模型完成任務

不過實務上可以把 Many-shot 看成是投入 Fine-tuning 之前的概念驗證，假設我們今天要面對一個複雜的分類或任務，就可以先用 Many-shot 進行驗證，例如先花點時間準備 10 ~ 20 個高品質的範例將它丟給模型，看看模型是否能學會我們想要的邏輯並產生出正確的結果。

如此一來可以節省時間成本，如果驗證失敗，也可以重新檢討策略，避免投入大量成本去做無效的 Fine-tuning

為什麼 Zero-shot 的產出有時候比 Few-shot 好？

如果你有試著使用 Few-shot 請 AI 輸出，可能會產生一些疑惑：為什麼有時候 Zero-shot (沒有範例 / 不提供範例) 可能比 Few-shot 的結果好？

我覺得這不一定代表 Few-shot 已經過時，而是因為這些大語言模型已經愈來愈強，所以即使在 Zero-shot 的狀態下，也可以產出高品質的內容。

那麼我們還可以怎麼運用 Few-shot 的概念呢？也許可以試著調整策略，例如：

改用 Zero-shot 生成內容，並把範例改成約束

使用範例的初衷是讓 AI 有個參考，既然 AI 已經表達得很好了，我們就可以把範例改成另一種參考，比如約束他結構、格式 ... 等，這樣就可以在保留創意的同時，還能控制輸出品質。

請針對「ESG」生成 5 個文案。  
要求：  
1. 每則 20 字以內  
2. 語氣活潑有力  
3. 需包含一個動詞

Zero-shot 和 Few-shot 一起用

「小孩子才做選擇，我全都要！」，與其糾結要選擇 Zero-shot 還是 Few-shot，不妨讓他們 PK 一下，最後再由我們選擇最適合的輸出。

請生成 5 個介紹 ESG 的文案，分為三組：
1. Zero-shot 創意自由發揮  
2. Few-shot 模仿以下範例 (附上範例)
3. Zero-shot + 格式約束 (附上條件)

當你有強大的模型可使用時，我們就用 Zero-shot 來生成更有創意的內容，並使用 Few-shot 做模仿、約束，或是需要保持一致性的任務，我們真的不需要強制二選一或三選一，而是要依照需求切換組合。

小結

Zero-shot、Few-shot 以及 Many-shot 最主要的差別就是範例的數量，他影響了輸出的創意、穩定性和成本，只要掌握了這三種方法，就可以因時制宜的調整自己的輸出策略，達到事半功倍的效果。