第 25 题：Zero-shot、Few-shot、Auto-CoT 在 Agent 任务中的表现
第 25 题：Zero-shot、Few-shot、Auto-CoT 在 Agent 任务中的表现
题目
对比 Zero-shot、Few-shot、Auto-CoT 在 Agent 任务中的表现。
一、三者的含义（在 Agent 语境下）
- Zero-shot：不提供任何任务示例或推理示范，只给任务描述和工具描述，让模型直接做推理与工具选择。
- Few-shot：在 prompt 中提供少量“任务→推理→工具调用→观察→答案”的完整示例，让模型模仿格式与策略。
- Auto-CoT：自动生成或抽取 CoT/ReAct 式示例（如用“Let's think step by step”让模型自己生成推理链，再从中选作 few-shot 示例），再用于后续查询。
在 Agent 场景下，“表现”通常指：任务完成率、工具调用正确率、步数/效率、以及是否稳定产生合理推理与行动序列。
二、表现对比（定性）
| 方式 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| Zero-shot | 无需标注、prompt 短、成本低 | 格式易漂移、工具选择不稳定、多步任务易漏步或乱序 | 简单任务、工具少、模型已较强 |
| Few-shot | 格式稳定、工具选用与顺序更可控、多步表现更好 | 占 context、需构造示例、示例质量敏感 | 复杂多步、工具多、需稳定格式 |
| Auto-CoT | 少人工标注、可自动得到推理链示例 | 自动示例质量参差、可能 |
剩余60%内容，订阅专栏后可继续查看/也可单篇购买
Ai Agent：面试300问 文章被收录于专栏
《AI Agent 300 问》专为备战 AI Agent 相关岗位的求职者打造，适配校招、社招全场景，覆盖算法研发、产品、解决方案等全岗位。专栏汇总 300 道大厂高频面试真题，全维度覆盖提示工程、智能体规划推理、记忆机制、工具调用、多智能体协作、框架落地、行业应用等核心领域，拆解考点底层逻辑，分享一线实战经验，助你一站式通关高薪面试。
