技巧8：少样本思维链
为了弥补 Zero-Shot Chain of Thought（零样本思维链）存在的不足，可以采用一种更强的技巧：Few-Shot Chain of Thought（少样本思维链）。
这项技巧源于专业人士的研究，他们发现，如果给大型语言模型提供一些示例，并且在这些示例中清楚展示推理过程，那么模型在处理新问题时也会模仿这种“思考方式”，从而给出更可靠的答案。
操作方式其实非常直观：你只需在提示语中加入一些包含推理过程的例子，就能让模型更容易理解并正确解决问题。比如下图中这个例子就展示了，有了解释过程后，输出准确率提升了：
我们在章节开头看到的问题，其实就可以这样设计：
The odd numbers in this group add up to an even number: 4, 8, 9, 15, 12, 2, 1.
A: Adding all the odd numbers (9, 15, 1) gives 25. The answer is False.
The odd numbers in this group add up to an even number: 17, 10, 19, 4, 8, 12, 24.
A: Adding all the odd numbers (17, 19) gives 36. The answer is True.
...
The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1.
A:
除了 Few-Shot 本身的技巧，研究人员还指出了影响 Chain of Thought 表现的两个核心因素：
- 示例的标签和输入的语言模式非常关键，即使标签本身并不完全准确。
- 格式感知能力很强，哪怕你给的标签是随机的，只要结构和模式清晰，模型就能学到要做什么。
听起来有些抽象？我们可以看一个实际的情感分析例子：
I loved the new Batman movie! // Negative
This is bad // Positive
This is good // Negative
What a good show! //
我太喜欢这部新的蝙蝠侠电影了！ // 消极
这太糟糕了 // 积极
这真不错 // 消极
多棒的演出啊！ //
虽然这些标注故意是错误的，但模型依然学会了“//”后面应该填写一个情绪类别。这说明模型并不依赖于标注的真实与否，而是通过模式识别，理解你希望它输出的格式和类型。
总结一下：
- 给出示例会极大提升准确率，即使样本标注有误；
- 输入与输出的格式、结构非常重要；
- 此技巧同样仅在大模型（100B 参数及以上）中才显著有效。
如果你想进一步深入了解 Chain of Thought 背后的理论和实践建议，推荐阅读斯坦福大学的课程材料：《Natural Language Processing with Deep Learning》。
