一句话定义：少样本学习（Few-shot Learning）指模型只看到一两个到几十个示例，就能完成一个它没被专门训练过的新任务。
这个词有两个用法，容易混。
一种是传统机器学习里的小样本学习：过去训练一个图像分类器，每个类别要几千张标注图；小样本学习想做到每类只给 5 张也能分对。做法通常是元学习（Meta-learning）——先在大量"任务"上训练，让模型学会"怎么快速学新类别"，遇到新任务时靠几步梯度更新适配。
另一种是大模型时代更常说的：AI 词典：上下文学习">上下文学习（In-Context Learning）。你把几个"输入→输出"的例子直接写进提示词，模型不改任何参数，就照着这个格式把新输入补全。下面主要讲这种。
打个比方：公司来了一位资深会计，他干了二十年，什么账都会做。你只要给他看三张这个公司的报销单是怎么填的，第四张他就知道怎么填了。他不是刚学会了会计，他本来就会，只是需要知道"这家公司的规矩"。示例的作用不是教学，而是说明任务——告诉模型你要的是翻译、是分类、还是改写成某种语气。
为什么光靠上下文就行？因为大模型在预训练时读过海量文本，其中天然包含大量"根据前文推断接下来该写什么"的结构。它学到的本质是一个条件概率：在"若干示例 + 新输入"这个前提下，最可能的输出是什么。示例把任务规格（task specification）塞进了上下文，大幅收窄了输出空间，所以模型不用更新参数也能"对上频道"。换句话说，少样本提示不是在教新能力，而是在调出已有能力。
和相邻概念的区别：
| 概念 | 示例数量 | 是否更新参数 | 典型场景 |
|---|---|---|---|
| 零样本 Zero-shot | 0 | 否 | 直接下指令，不给例子 |
| 少样本 Few-shot | 1～几十 | 否 | 提示词里塞几个范例 |
| 微调 Fine-tuning | 成百上千 | 是 | 领域适配、固化风格 |
| 传统小样本学习 | 1～5 | 是（元学习阶段） | 图像分类等感知任务 |
对从业者的实际意义：少样本提示是成本最低的调优手段，值得先试再考虑微调。几个经验点：示例的格式一致性比数量更重要，输入输出的模板要对齐；标签空间要封闭，别让模型自由发挥；注意示例会带来偏置，比如例子里全是正类，模型就更倾向判正类。示例选得巧，往往比堆得多更有效。
对普通职场人：你不需要懂训练，只要在对话框里先给一两个"我要的答案长这样"的示范，输出质量通常就会明显变好。这大概是投入产出比最高的一句提示技巧。
不同模型对少样本提示的敏感度差异不小，具体支持情况以官方文档为准。