一、前置基础：三种范式的演进背景

在讲解具体方法前，先明确两个基础认知。方便你定位「痛点」：

1. 零样本大模型的原生提问方式。直接向模型提出任务要求、不提供任何示例。适合日常对话，但在格式跑偏、逻辑跳步、事实幻觉等痛点场景下表现差强人意。
2. 三类范式的能力演进方法Few‑shot、Chain‑of‑Thought、ReAct 是领域逐级升级的方法，对应三个不同的问题层级：

• 第一层的观点是，解决「输出不对齐」——格式错位、风格漂移 → Few‑shot
• 第二层的观点是。解决「推理不准确」——计算错误、因果倒置 → Chain‑of‑Thought
• 第三层这方面，解决「知识有边界」——实时信息缺失、信息幻觉 → ReAct

这三者并非互斥，而是可以叠加组合，共同支撑从简单到复杂的大语言模型应用。

二、主要范式逐一拆解

Few-shot

定义

Few‑shot 在提示词中提供少量「输入 → 输出」示例。让模型从范例中自主学习任务规则、输出格式与边界标准，再执行真实任务。提供 N‑shot 示例称为 N‑shot；不提供示例则为 Zero‑shot。

底层原理

主要是大模型的上下文学习能力：无需修改参数或额外训练。仅通过上下文内的范例，模型即可捕捉任务模式，对齐输出标准。老实说，相比纯文字描述，具象示例能显著降低「自由发挥」导致的偏差。

具象示例

中英翻译任务示例：

请按照示例风格完成翻译任务。例1这方面，英文 "Hello" → 中文 "你好"
再看例2，英文 "Thank you" → 中文 "谢谢"
说到例3。英文 "Good morning" → 中文 "早上好"
实际任务这方面，英文 "How are you?" → 中文 "

模型会从 3 组示例中学习到「英文单词 → 对应中文翻译」的结构，严格按相同格式输出。

主要特点

• 通常使用
• 示例质量优先于数量：覆盖主要变体与边界情况。
• 显著降低格式错误与风格偏离概率。
• 消耗更多上下文 Token，占用窗口空间。

适用场景 & 使用者痛点映射

Pain point: 输出必须严格符合预定义模板。适用于格式转换、文本分类、风格模仿、结构化数据提取等对输出形式有明确要求的任务。

Chain-of-Thought

定义

CoT 引导模型「先逐步推理，再输出结论」。在最终答案前显式写出完整中间推理步骤，模拟人类“一步步想问题”的过程。

底层原理

LLM 直接给答案时容易出现逻辑跳步或计算错误，因为内部思考过程未被约束。思维链通过强制输出中间步骤，将隐性推理显性化，每一步都被上下文记录和约束。从而大幅减少幻觉和逻辑跳跃，提高多步骤复杂任务的准确率。

主要变体

1. Zero-shot CoT：无需示例，只在问题末尾加一句「请逐步思考」或 「Let's think step by step」。成本最低，
2. Sfew-shot CoT：提供带完整推理链的示例。引导模型模仿推理逻辑，适合高复杂度任务。
3. Self‑Consistency：L​LM 独立生成多条推理链。对答案进行投票，以降低单一方法错误概率。

具象示例

鸡兔同笼问题：

• Pain point ： Easily miscalculates due to missing intermediate reasoning.

一个农场有鸡和兔共35只，脚共94只。鸡有几只，按理说，

• Pain point ： Adds explicit reasoning steps.

一个农场有鸡和兔共35只。脚共94只，请逐步思考并给出答案。

适用场景 & 痛点映射

Pain point: 数学计算错误、法律条文推断失误、多步骤业务流程缺乏可追溯性。老实说，适用于数学计算、逻辑推理、多步骤决策、代码调试与方案拆解等需要严谨中间过程的复杂任务。

ReAct

定义

The ReAct framework interleaves “Reasoning” and “Acting”。让模型遵循「思考→行动→观察→继续思考」循环，可主动调用外部工具突破自身知识边界，是建立 AI 智能体的主要理论。不过，

底层原理

C​oT 完全依赖模型内部知识。无法获取实时信息，也容易产生幻觉。ReAct 把完整的问题求解拆分为可迭代三步循环：

1. 思考： 分析当前状态与已有信息，决定接下来行动目标。
2. 行动： 执行具体操作。如搜索 API 调用运行代码等，从外部获取真实信息。
3. 观察： 读取工具返回结果。将其作为下一轮思考输入，循环直至信息足够输出最终答案。
\end{ol}

This loop provides a closed‑loop “cognition + action” system that combines LLM’s logical power with real‑world knowledge sources.

具象示例 再看使用者，2024年诺贝尔物理学奖得主是谁？他们获得过哪些其他奖项，

Thought : 使用者需要最新获奖信息，我需要先搜索。Action : Search Observation : John J. Hopfield 和 Geoffrey E. Hinton 获得2024年诺贝尔物理学奖。

Thought : 接下来分别查询两位得主其他奖项。Action : Search Observation : John J. Hopfield 曾获费米奖、狄拉克奖等。

Thought : 查询 Hinton 的获奖情况。Action : Search Observation : Geoffrey Hinton 曾获2018年图灵奖等。

Thought : 已收集全部所需信息，可整理答案。Final Answer: 2024年诺贝尔物理学奖得主是 John J. Hopfield 与 Geoffrey E. Hinton…，

Pain Point Mapping:

• 实时信息缺失导致答案过时或错误
• 单纯文本推理无法验证外部事实引发幻觉
• 业务流程缺乏可解释性时难以追踪决策方法

主要特点 /td>

.

。

---