few shot 和 one shot等最初是由什么论文提出的？

Zero Shot Prompting（零样本提示）：这是一种让模型在没有额外训练数据的情况下对之前未见过的数据进行预测的技术。传统的机器学习技术通常需要大量标记的训练数据来进行准确的预测。在提示工程的背景下，零样本学习可用于生成自然语言文本，无需显式编程或预定义模板，从而创造更多样化和动态的文本生成模型。它使得机器可以在训练过程中没有见过某些对象的情况下，识别和分类这些对象。One Shot Prompting（一样本提示）：使用一样本提示可以通过有限的输入数据（如单个示例或模板）来生成自然语言文本。它可以与对话管理和上下文建模等自然语言处理技术相结合，创造更复杂、更有效的文本生成系统。在提示工程的背景下，一样本学习可用于生成自然语言文本，只需提供有限的输入数据，例如单个示例或模板。这有助于从大型语言模型中创建可预测的输出。Few Shot Prompting（少样本提示）：这是一种技术，将少量示例（通常为两到五个）提供给模型，以便快速适应之前见过的新对象的例子。在提示工程的背景下，少样本学习可用于创建自然语言文本，只需提供有限的输入数据。虽然需要较少的数据，但这种技术使得可以创造更加灵活和适应性强的文本生成模型。零样本、一样本和少样本提示的区别：零样本提示是模型在没有额外训练的情况下进行预测；一样本提示需要提供一个示例或模板；而少样本提示则需要提供更少的数据，通常是两到五个示例。这些提示工程技术可以提供更灵活和可控的方式来从自然语言生成模型中输出文本。充分利用这些模型的强大能力，可以创造更准确、多样和吸引人的输出，以满足应用程序的需求。最终，提示工程可以帮助您为您的项目创建完美的文本输出。零样本少样本思维链自洽性

他们分别代表了自我认同和社会认同两大需求。自我认同：当人们对自我感觉不甚满意的时候，普遍会生成两大内在动机：一个是自我成长，二是与自我和解。社会认同：人在面对他人或置身群体当中的时候，会需要归属感，希望被对方认可，被群体接纳。同时，人也想要被看见，想要彰显自己的独特性，也就是寻求存在感。于是，我们重点挑选了书中“情绪感知”和“情绪创造”两个章节的相关内容，构建我们的提示词。02.Few shot，担心大模型听不懂人话的杀手锏理论有了逻辑讲了，其实还是担心大模型听不懂、理解不了，关键也没法知道它到底看没看懂，是我提示词不行还是模型能力不行...所以只能想办法多上一些保险，但绝不是提示词越多越好，能力越强的模型越需要精准表达，不过列举few shot通常还是有效做法。于是乎，我们上网一顿搜刮，淘来了一些优秀的情绪营销标语：03.捏提示词，每一次创作都是我们的Aha时刻我们挑选了书中“情绪感知”和“情绪创造”两个章节的精彩观点，加上网上找到的优秀few shot，构建我们的提示词。提示词并未完全使用到书中的全部精华观点，还有提升空间，也欢迎大伙交流讨论：来几个栗子测试一下，多说一句，大模型依然选派Claude3.5 Sonnet，在内容理解和创作这块，绝对的顶流，一时无代餐：📍江小白当年江小白靠营销文案成功出圈，很多文案还记忆深刻，这不就想着拿大模型来PK一下，白酒也是容易跟情感挂上钩的品类，我们简单输入一下初始信息：

Zero-shot零样本零样本的Prompt，其实就是我们不给大模型任何的提示，直接问大模型的问题。这个其实是一个判断大模型能力的一个重要的手段。对于用户来说，可以直接使用，使用是比较简单而友好的。但是问题也很明显，因为没有给大模型任何的提示，那么大模型就会随心所欲的返回。few-shot少样本实例和Zero-shot不一样的是，在Prompt中给出简单的例子。这个其实是大模型非常优秀的推理能力，根据你给出来的例子，大模型可以很好的推理出来你的需求，并且按照你的需求给出具体的回答。使用few-shot能够有更好的回答效果的原因是因为你提供了更多的上下文的信息，或者叫额外的知识，有了这些知识，大模型就可以更好的回答你的问题了。COT()思维链COT实际上就是Chain-of-thought Prompt就是让大模型使用推理去解决困难复杂的问题，比如数学题目。对于这个思维链，有一个标准的咒语叫做let the model think step by step。根据阅读的论文，每次说这句话的时候，模型真的就好好按照逻辑进行思考。从论文中，我们知道，假设我们给予大模型一个包含了连续的中间步骤的思维链的推理过程，大模型会去模范思维链的思考过程，从而让模型具有了推理的能力，可以对数学、常识进行推理。对于大模型具有了推理能力之后，自然就可以做很多进一步更加复杂的任务，从而更加接近人类的思考方式。