Few-shot learning，少样本学习或者小样本学习，指的就是通过提供少量训练样本来让模型学习新的任务。也就是我们在写 Prompt 的时候，可以添加一些样本数据，或者叫示例数据，模型会学习这些样本数据，找出其中的规律，可以帮助模型更好的理解我们让它做的任务。

比如我们需要一个功能，需要根据一篇技术文章或者视频的标题内容，判断出内容所属的类别，比如前端开发，后端开发，移动开发等等。

在 OpenAI 的 Playground 这里可以做点实验，先随便输入一个标题，比如“创建 Vue.js 组件”，当前使用的模型是 text-davinci-003，这是一个比较高级的模型。

先不做配置，直接提交，模型会认为我们是想知道如何创建 Vue.js 组件，所以它可能会给出一些解释，还有一段代码示例。我们在这个 prompt 里面，添加一些指令文本，比如“提取标题分类：”，再提交一下，模型生成的 completion，说这个标题所属的分类是 “Vue.js”，也就是标题内容里面的这个应用框架的名字。

我们需要的是更大一些的类别，比如前端开发，或者后端开发之类的。这样在 prompt 里面只有指令可能是不够的，最好提供点示例数据。指令是“提取标题分类”，下面再添加两个示例，提供的示例数据可以使用特定的模式或者格式，比如一个 title 冒号，然后是标题的内容，另起一行，再添加一个 category，冒号，然后是分类的名字。用同样的模式再添加一条示例数据。

模型学习了样式数据以后，就知道我们想让它做的事情了，如果有想让它提取分类的标题内容，可以使用跟示例数据同样的模式，或者叫格式，需要一个 title 冒号，然后是标题的内容，另起一行再添加一个 category 冒号。

点击提交，模型会在 category 冒号的后面补全内容标题的分类，这回这个分类就是我们想要的分类了。这是模型学习了小样本以后推断出来的。要注意的是，这种学习方式是暂时的，不会改变模型，也就是下回有同样的任务，你仍然需要提供这些示例数据。如果你希望改变模型，让它能够处理这种特定的任务，可以通过微调的方式，创建一个新的模型，这样使用这种微调之后的模型再做这种任务的时候，就不需要再提供示例数据了。