面经策

零样本 CoT 和少样本 CoT 有什么区别？各自适合什么场景？ ​

  • 标签：Prompt、CoT 类型

🏛 业务架构师 ​

零样本 CoT 与少样本 CoT 的区别与适用：

零样本 CoT（Zero-shot CoT）：不给示例，只在指令中加触发语——"请一步一步思考"（Let's think step by step）。特点：零额外 token 成本（就一句话）、通用、部署最简单；效果依赖模型自身的推理先验——够强的模型能被"激活"出推理过程，弱模型加这句也白搭。

少样本 CoT（Few-shot CoT）：提示里给出带完整推理链的示例（问题→推理步骤→答案），让模型模仿。特点：效果更稳更强（尤其复杂/特定范式任务）、能教会模型"你期望的推理套路"（按什么口径分析、先算什么后算什么）；代价是示例占用上下文 token（每次调用都带）+ 示例本身的构造成本。

各自适合的场景：

  • 零样本 CoT：通用问答、中等难度推理、对成本敏感的高频调用、探索期快速验证——2026 年模型推理能力普遍变强，多数日常任务零样本够用；
  • 少样本 CoT：业务特有的推理范式（按公司口径做报价分析、法条三段论）、输出格式要求严格、模型较小时（小模型更需要示例"手把手"）、评测显示零样本不达标的场景。

组合经验：先零样本试（成本最低）→ 不达标看 badcase 是"不会推理"还是"推理范式不对"→ 前者换强模型/推理模型，后者上少样本示例。成本提醒：少样本示例是"每次调用都付的常驻成本"，高频场景要么精简到 1~2 个示例，要么用微调把范式固化进模型。

演进注脚：o1/R1 类推理模型已内化 CoT（自动深度思考），两类手动 CoT 在新模型上的边际收益都在收窄——但理解它们依然是提示工程的基本功。

🏗 系统架构师 ​

Zero-shot CoT = 只加一句触发词；Few-shot CoT = 示例里带完整推理链。区别与选型：

Zero-shot CoT：

  • 形态：指令加"请一步步思考"（Let's think step by step）——2022 年发现的一句话奇迹；
  • 机理：把模型从"直接给答案"（直觉模式）切换到"生成中间步骤"（推理模式）——推理链让每步计算量展开到 token 生成中；
  • 优点：零 token 开销、无需构造示例、任务无关即插即用；
  • 局限：推理路径不可控（模型自己决定怎么想）、弱模型上效果差（CoT 是涌现能力——模型不够大，触发词也激发不出来）、格式漂移（步骤写法不稳定）。

Few-shot CoT：

  • 形态：示例的答案里包含完整中间推理（问题 → 推理过程 → 结论），模型模仿该模式解新题；
  • 优点：推理风格可控（示例示范"怎么分解、怎么表述、多详细"）、效果显著更强（尤其需要特定推理格式的任务：几何证明、代码调试、多约束权衡）、格式稳定（模仿示例的输出结构）；
  • 代价：每请求多几百~几千 token（Prompt Cache 缓解）、示例设计成本（要覆盖典型推理模式与易错点）。

选型逻辑（架构师视角）：

  • 强模型（推理增强型 o1/R1 类）→ 两者都不需要（CoT 已内化，触发反而冗余）；
  • 中等模型 + 通用任务 → zero-shot CoT 起步（免费）；
  • 需要稳定可控的推理格式（生产管道）或弱一档的模型 → few-shot CoT——示例就是"推理模式的规格说明书"；
  • 高价值决策任务 → 上 Self-Consistency（多推理链投票）进一步提准，用算力换精度。

💻 全栈开发专家 ​

两者都是「让模型展示推理过程」，区别在示例里有没有包含推理过程本身：

Zero-shot CoT（零样本思维链）：

  • 做法：不给示例，只在指令里加一句「请一步一步思考」（Let's think step by step）；
  • 原理：激活模型预训练中「逐步解题」的行为模式；
  • 优点：零成本、零维护、即插即用；
  • 缺点：推理步骤的质量和格式不可控（可能啰嗦、可能跑偏）。

Few-shot CoT（少样本思维链）：

  • 做法：示例里带完整推理过程（问题→推理步骤→答案），模型模仿「这种解题格式」；
  • 优点：推理风格、深度、格式全部可控（示例即规范）；对复杂任务引导更强；
  • 缺点：占上下文（token 成本）、示例质量决定上限、任务分布变了要换示例。

适用场景（工程选择）：

  • Zero-shot CoT：通用对话产品、任务多样无法维护示例库、成本敏感的高 QPS 场景；简单到中等难度的推理；
  • Few-shot CoT：B 端固定任务（发票校验、合同审查）——推理范式可以标准化；难题（多约束权衡）需要示例「演示」怎么拆；
  • 都不适合：简单事实问答（CoT 反而画蛇添足+增加延迟）；
  • 2026 补充：推理模型（o1/R1 系）已把 CoT 内化，用它们时不要再外部加思维链指令，会干扰。

组合技巧：Auto-CoT（让模型自动聚类问题生成示例）解决「手工写示例贵」的问题；Self-Consistency（多条推理路径投票）配 few-shot CoT 是竞赛刷分标配。