Few-shot 学习
Few-shot 学习是通过提供少量示例来引导模型学习特定任务。
概述
Few-shot 学习通过展示少量示例，让模型快速学习新任务。
示例
分类任务
请将以下句子分类为正面、负面或中性：
示例：
1. "这部电影太棒了！" -> 正面
2. "服务很差，不会再来了。" -> 负面
3. "今天天气一般。" -> 中性
现在分类：
1. "产品质量很好，非常满意。" ->
2. "等了很久都没有回复。" ->
3. "这家餐厅环境不错。" ->格式转换
请按照以下格式提取信息：
示例：
输入："苹果公司成立于1976年，总部位于美国加州库比蒂诺"
输出：{"公司名称": "苹果公司", "成立时间": "1976年", "总部地点": "美国加州库比蒂诺"}
现在提取：
输入："阿里巴巴集团成立于1999年，总部位于中国杭州"
输出：文本生成
请仿照以下示例写一首诗：
示例：
主题：春天
春眠不觉晓，
处处闻啼鸟。
夜来风雨声，
花落知多少。
主题：秋天设计原则
示例数量
- Zero-shot: 0个示例
- Few-shot: 3-5个示例
- Many-shot: 10+个示例
示例质量
- 多样性: 覆盖不同情况
- 代表性: 典型案例
- 正确性: 确保示例正确
示例顺序
示例1：简单情况
示例2：中等难度
示例3：复杂情况
示例4：边界情况
示例5：特殊情况应用场景
情感分析
请分析以下评论的情感倾向：
示例：
1. "这个产品真的很好用！" -> 正面
2. "物流太慢了，差评。" -> 负面
3. "包装一般，东西还行。" -> 中性
现在分析：
1. "客服态度很好，问题解决了。" ->
2. "价格有点贵，但质量不错。" ->命名实体识别
请识别以下句子中的人名和地名：
示例：
1. "张三在北京工作" -> 人名：张三，地名：北京
2. "李四从上海到广州" -> 人名：李四，地名：上海、广州
现在识别：
1. "王五在深圳出差" ->
2. "赵六去杭州旅游" ->文本摘要
请概括以下段落：
示例：
输入："人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。"
输出："人工智能是研究模拟人类智能的技术科学。"
现在概括：
输入："大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。"
输出：提示词模板
通用模板
请完成以下任务：
示例：
输入1：{示例输入1}
输出1：{示例输出1}
输入2：{示例输入2}
输出2：{示例输出2}
输入3：{示例输入3}
输出3：{示例输出3}
现在处理：
输入：{输入}
输出：分类模板
请将输入分类为{类别1}、{类别2}或{类别3}：
示例：
1. {示例1} -> {类别}
2. {示例2} -> {类别}
3. {示例3} -> {类别}
现在分类：
{输入} ->生成模板
请仿照示例生成文本：
示例：
{示例1}
{示例2}
{示例3}
现在生成（主题：{主题}）：