老陈在城西开了二十年小饭馆，最近老板让他带个新人小张。小张记性好、脑子活，就是没做过菜。第一天上灶，老陈说“做一道糖醋排骨”，小张愣在原地——糖和醋放多少？先炸还是先炒？老陈叹气，干脆改成“先看我做一道酸辣土豆丝”。他一边切一边念叨：“土豆丝要泡水去淀粉，泡过的下锅不粘、炒出来才脆。”小张看完这一遍示范，转头做莴笋丝时，竟然知道要先用盐杀水再大火爆炒——味道居然还行。老陈悟出一个道理：光说“做菜要讲因果”没用，得给一道看得见摸得着的示范菜。 这正是“Few-shot因果推理”的核心智慧。大模型知识渊博，却常常在“因为……所以……”的方向上犯迷糊。与其长篇大论地解释规则，不如在提问前放上三五个因果推理的示例，让它看一眼就模仿。零样本像是让小张直接上灶，少样本像是先看示范菜再动手。本文就用这盘“示范菜”的视角，带你拆解Few-shot因果推理的原理、示例构建、方向判断、反事实生成、模板设计与应用价值。

岗位关联

掌握 Few-shot 因果推理，你就能用几条提示词低成本激活大模型的因果判断力，在数据标注、归因分析等场景中显著提升输出可信度——这是 AI 工程落地中最实用的“提示功夫”之一。

目录
  1. 可视化演示
  2. 少样本原理：示范一道菜，胜过千言万语
  3. 示例构建：三道示范菜要有讲究
  4. 因果方向判断：先分清谁影响谁
  5. 反事实生成：假如时光倒流，菜会怎样
  6. 模板设计：几道示范菜最合适
  7. 应用价值：小店后厨的实用功夫
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示零样本vs Few-shot提示对比、因果示例选择策略及准确率一致性提升，支持三模式交互切换。

本节配有交互动效（进入视口后自动加载，约 3KB）。

零样本与Few-shot因果推理对比 零样本：仅Prompt，LLM易混淆因果方向 Few-shot：加入因果示例激活推理模式 示例驱动显著提升因果判断准确率 Acc(FS)≫Acc(0s) 少量示例以低成本激活LLM因果推理能力。

少样本原理：示范一道菜，胜过千言万语

老陈带小张有个顿悟时刻：让小张“直接做菜”，他连油盐酱醋都拿不准；可自从看了那道酸辣土豆丝的全程示范，再做莴笋丝时，小张居然懂得“先杀水、大火快炒”。老陈总结：空讲道理没用，示范才是最快的教学方式。

这个道理映射到大模型身上同样成立。模型读过千亿文字，知识储备比小张强太多，但当你直接问它一个因果问题——“为什么系统崩了？”——它可能给出因果方向颠倒的回答。原因在于：它知道很多“事实”，却缺少当前任务要求的“作答姿势”。

Few-shot因果推理的做法，就是在提问前插入 k 个完整的“问题-答案”示例，让模型先“看”几道示范题，再回答目标问题。由于示例与目标问题共享同一段上下文，模型能够通过上下文学习（in-context learning，即模型在阅读提示时临时调整思路）快速对齐任务模式。这个过程不更新任何参数，纯粹靠提示文本引导模型内部的注意力重新组织。

就像小张看的不是菜谱而是真人的操作，模型看到的不是空泛规则，而是一条条完整的因果链条。示范里那句“因为泡了水，所以不粘锅”，就是模型学会判断因果方向的第一粒种子。

Promptfew-shot=[ 示例1, 示例2, …, 示例k ]+目标问题\text{Prompt}_{\text{few-shot}} = [\,\text{示例}_1,\ \text{示例}_2,\ \ldots,\ \text{示例}_k\,] + \text{目标问题}
这条公式说明：少样本提示 = 一串示例 + 目标问题，像“先看示范菜，再做自己的菜”。
  1. Prompt 的下标\text{Prompt}_{\text{few-shot}} 表示“少样本提示”这一整体对象，下标 few-shot 强调它是由示例加持的提示，而非零样本的裸问题。
    Promptfew-shot\text{Prompt}_{\text{few-shot}}
  2. 方括号列表[\,\text{示例}_1,\ \text{示例}_2,\ \ldots,\ \text{示例}_k\,] 表示按顺序排列的示例序列，模型逐条读取，先看示范，再看题目。
    [ 示例1, 示例2, …, 示例k ][\,\text{示例}_1,\ \text{示例}_2,\ \ldots,\ \text{示例}_k\,]
  3. 加号拼接加号表示把示例序列与目标问题拼进同一段提示，让示例与问题在同一个上下文中“对话”。
    +目标问题+ \text{目标问题}
  4. k 的取值k 是示例个数，通常取 3 到 8，既让模式足够清晰，又不至于占满上下文窗口。
    k∈[3, 8]k \in [3,\ 8]

示例构建：三道示范菜要有讲究

老陈示范从不随手做：每道示范菜都要让徒弟看懂三件事——这是什么菜（背景）、师傅为什么这么问（提问）、答案里的因果在哪（方向）。徒弟看明白这三件事，才算真正“学了”一道菜。

映射到提示设计里，每个示例就是一个三元组：c 是上下文描述，交代事件发生的背景；q 是因果提问，聚焦要判断的关系；a 是参考答案，里面显式写出“因为 X 所以 Y”，并标注因果方向。三要素缺一不可，否则模型就像只看了一半演示的徒弟，学个四不像。

还有两个设计细节值得注意。提问的句式要统一，比如都问“为什么…”或“如果…会怎样”；答案的方向标记也要一致，统一写成“X→Y“，而不是一会儿”X 导致 Y“、一会儿”Y 由 X 引起”。稳定的格式，才能让模型学到稳定的模式。

老陈的示范菜之所以有效，是因为每一道都完整传递了背景、问题与答案。模型也一样：给它三个结构相同的示例，它就能把这种“三件套”格式迁移到新问题上，输出自然规整。

T={ (ci, qi, ai) }i=1k\mathcal{T} = \{\,(\text{c}_i,\ \text{q}_i,\ \text{a}_i)\,\}_{i=1}^{k}
示例库就像老陈的“示范菜谱”，每一页都写着背景、提问和答案三栏。
  1. 集合符号 T\mathcal{T} 表示整个示例库，是老陈的“示范菜合集”，新徒弟上岗前都要先翻一遍。
    T\mathcal{T}
  2. 花括号与上下标\{\,\}_{i=1}^{k} 表示集合里有 k 个三元组，i 从 1 数到 k，每个三元组是一道完整的示范。
    { }i=1k\{\,\}_{i=1}^{k}
  3. 三元组 (c,q,a)(\text{c}_i,\ \text{q}_i,\ \text{a}_i) 中，c 是上下文描述，q 是因果提问，a 是标注了方向的参考答案。
    (ci, qi, ai)(\text{c}_i,\ \text{q}_i,\ \text{a}_i)

因果方向判断：先分清谁影响谁

小张学了几天，开始问“为什么土豆丝不脆？”老陈反问：“你说是油温不够导致不脆，还是不脆导致油温不够？”小张被问住了——对啊，得先分清谁在前、谁在后。

因果方向判断是因果推理最基本的能力：给定两个事件 X 和 Y，判断是 X→Y 还是 Y→X。模型容易把相关当因果，或把果当成因。比如看到“冰淇淋销量高时溺水人数也高”，就断言“买冰淇淋导致溺水”——方向搞反了，实际上是夏天这个共同原因同时推高了二者。

Few-shot 示例该怎么帮模型？示例中明确标注“前因→后果”，模型在解码时就会模仿这一标记格式。实践中，给 3 个方向标注清晰的示例后，模型判断方向的准确率显著高于零样本，尤其在故障归因、医学诊断等专业场景里效果更明显。

老陈的提问方式给了小张一个“方向过滤器”。few-shot 示例就是模型的方向过滤器：每看一个“前因→后果”的例子，模型内部对方向的偏好就被校准一次。三道示范菜下来，它自然知道该往哪个方向指。

d^=arg⁡max⁡d∈{→, ←}P(d∣E)\hat{d} = \arg\max_{d \in \{\rightarrow,\ \leftarrow\}} P(d \mid \mathcal{E})
模型给两个可能方向各打一个置信分，然后选出分数更高的那个，就像小张在两个相反判断里挑一个更合理的。
  1. 候选方向集合d \in \{\rightarrow,\ \leftarrow\} 指明因果方向只有两种可能：由甲指向乙，或由乙指向甲。模型要在这两个候选中做选择。
    d∈{→, ←}d \in \{\rightarrow,\ \leftarrow\}
  2. 条件概率P(d \mid \mathcal{E}) 是在观察到证据 E（如事件时间线、工单描述）之后，每个方向成立的置信度。
    P(d∣E)P(d \mid \mathcal{E})
  3. argmax 决策\arg\max 表示“取出让概率最大的那个方向”，模型最终只输出置信度最高的方向。
    arg⁡max⁡d∈{→, ←}\arg\max_{d \in \{\rightarrow,\ \leftarrow\}}

反事实生成：假如时光倒流，菜会怎样

老陈最得意的教学环节是“假如”训练。他问小张：“昨晚的糖醋排骨，要是少放一勺糖会怎样？”小张不需要真做一遍，闭眼一想就答：“甜味变淡，但不会难吃。”老陈点头：这就是在脑中重做一道菜。

反事实生成（Counterfactual Generation）回答的是“如果改变某个原因，结果会怎样”的问题。它和普通预测不同：预测是顺着因果方向推未来，反事实是回到过去，把条件改掉后重新推演一遍，仿佛在平行时空里重做那盘菜。

Few-shot 对反事实的提升非常直接。示例给出“干预→新结果”的对应关系，比如“把糖从两勺改成一勺，甜度降低但酸味基本不变”，模型就学会在生成反事实结果时保持其余背景不变。零样本模型常常把背景也凭空改掉，生成一个连老陈都看不懂的“黑暗料理”。

小张的“脑内重做”之所以靠谱，是因为他见过足够多的“如果”。示例就是这样一场场“如果”训练，让模型学会把改动限定在目标变量上——改糖就只改糖，别把盐也换了。

Ycf=g(do(X=x′), U),x′≠xY_{\text{cf}} = g\big(\text{do}(X = x'),\ U\big), \quad x' \ne x
反事实推理 = 把原因变量刻意改个值，其他背景因素都不许动，看结果变成什么样。
  1. 反事实结果Y_{\text{cf}} 表示反事实结果，即“假如当时换一种做法，结局会怎样”。
    YcfY_{\text{cf}}
  2. do 算子\text{do}(X = x') 表示人为把原因变量 X 改成新值 x'。它区别于“观察到 X = x”，强调这次改变是主动干预。
    do(X=x′)\text{do}(X = x')
  3. 背景 U 不变U 表示未改变的外部因素，如天气、原料品质。反事实推理假设只有 X 变了，其他都维持原样。
    UU
  4. 不等式约束x' \ne x 强调新值确实不同于现实中发生过的旧值，这正是“反事实”与“事实”的分界线。
    x′≠xx' \ne x

模板设计：几道示范菜最合适

老陈教徒弟还有个学问：示范几道菜？他试过：一道太少，徒弟只记住那一道的细节，不会举一反三；十道太多，徒弟看花了眼，火候调料全混在一起。最后他定成三道：一道教基础、一道教变化、一道教补救。

这个经验与研究结论不谋而合：few-shot 示例数量 k 通常取 3~8 个。k 太少，模式证据不足，模型抓不住规则；k 太多，上下文被长串示例占满，既增加 token 成本，又可能让注意力涣散。3~8 是信息量与噪声之间的平衡点。

数量之外，排序也很重要。把与目标问题最相似的示例放在前面，模型在类比时会优先激活更贴近的模式。示例之间还要保持多样性，覆盖不同事件域，避免三条示例都是同一个句式、同一类场景——否则模型只学会“背例题”，没学会“真功夫”。可以这样度量少样本相比零样本的提升幅度：

小张学三道菜能应付一整桌菜单，模型读三五个示例能应对一类因果问题。合适的数量与聪明的排序，就是让示例发挥最大杠杆作用的“火候”。

Δacc=Accfew-shot−Acczero-shot\Delta_{\text{acc}} = \text{Acc}_{\text{few-shot}} - \text{Acc}_{\text{zero-shot}}
提升量 = 加了示例后的准确率 − 不加示例的准确率。差值为正，说明示范菜教出了效果。
  1. 准确率差量\Delta_{\text{acc}} 表示加示例后准确率的增量，是衡量 few-shot 是否有效的核心指标。
    Δacc\Delta_{\text{acc}}
  2. 两个准确率项右边分别是少样本提示与零样本提示下的准确率，两者相减得到提升幅度。
    Accfew-shot−Acczero-shot\text{Acc}_{\text{few-shot}} - \text{Acc}_{\text{zero-shot}}
  3. 正负的含义差值为正说明示例有效；差值越大，说明模型从示范中吸收的推理模式越多。
    Δacc>0\Delta_{\text{acc}} > 0

应用价值：小店后厨的实用功夫

为什么老陈的饭馆不送小张去总店培训三个月？因为请不起、等不起。后厨天天要开张，小张必须快速顶上。三五个示范菜就能起步——这就是资源受限环境下的务实智慧。

在 AI 工程里，“微调”就像送模型去总店培训：耗时、耗钱、耗数据。Few-shot 因果推理则只需在提示里塞几个示例，成本几乎为零。在大模型按 token 计费的现实下，这种“轻量激活”方式性价比极高，尤其适合算力紧张的中小团队。

它在数据可信层建设中扮演关键角色：数据可信层可以理解为一套“质检筛子”，只有经过因果标注、归因校验的数据，才配进入后续决策管道。用 few-shot 因果推理为无标注文本做因果标注、为 LLM 输出做归因校验，方向判断准、反事实一致性高的数据，就能拿到高可信评分：

老陈的饭馆靠“示范菜传帮带”维持了口碑，现代 AI 系统靠 few-shot 提示激活因果判断。在算力、数据都不算富裕的日常场景里，这一招以小博大，让因果推理真正落地——这正是数据可信层最需要的那点“人间烟火气”。

Trust=λ1⋅Accdir+λ2⋅Conscf\text{Trust} = \lambda_1 \cdot \text{Acc}_{\text{dir}} + \lambda_2 \cdot \text{Cons}_{\text{cf}}
一条数据的可信总分 = 方向准确率与反事实一致性加权求和，就像老陈给徒弟出师打分：味道对（方向）占大头，应变稳（反事实一致）也占一份。
  1. 可信度总分\text{Trust} 表示系统对一条数据因果判断的可信总评分，分数越高，越能进入可信层。
    Trust\text{Trust}
  2. 权重系数\lambda_1 与 \lambda_2 分别调节方向判断与反事实一致性的重要程度，两者都是非负权重，且满足和为 1。
    λ1+λ2=1\lambda_1 + \lambda_2 = 1
  3. 两个子指标\text{Acc}_{\text{dir}} 是因果方向判断准确率，\text{Cons}_{\text{cf}} 是反事实回答一致性评分，加权合成最终可信度。
    Accdir, Conscf\text{Acc}_{\text{dir}},\ \text{Cons}_{\text{cf}}

AI 应用场景

客服工单的因果归因标注

阶段：数据预处理与智能标注

解决的问题：传统做法是人工逐条阅读工单并打标签，量大且主观。让 LLM 做零样本归因时，问“客户为什么投诉”，模型常答成“客户差评”，因果方向颠倒。加入 3 条因果标注示例后，模型能稳定输出“物流延误 → 客户取消订单”这样的正确方向。

具体案例：某电商平台每天新增两千条投诉工单。运营团队精选 3 条历史工单作为示例，让模型对未标注工单做因果方向判断。上线两周，因果标注准确率从 62% 提升至 89%，人工复核量下降六成。

营销活动的反事实预测

阶段：模型推理与决策支持

解决的问题：市场部想评估“优惠力度从满 300 减 50 改成满 300 减 40，复购率会怎么变”，但直接改价有风险。让 LLM 做反事实生成，零样本容易把“用户价格敏感度”这类背景变量也改掉；few-shot 示例能约束模型保持背景不变，只改目标变量。

具体案例：促销复盘时，给模型两个示例——“降价 → 下单转化率上升，品牌忠诚度不变”“限量 → 抢购率上升，客单价不变”。目标问题改为“减少 10 元优惠 → 复购率如何变化”，模型输出“复购率略降，高客单用户留存基本不变”，直接辅助了定价评审。

Python 演示

python55 行
# -*- coding: utf-8 -*-"""Few-shot 因果推理提示构造与结果解析演示"""  class CausalFewShot:    """少量因果推理提示引擎"""     def __init__(self, examples):        # 保存示范例子, 结构为 (上下文, 前因, 后果)        self.examples_list = list(examples)        self.prompt_count = 0     def build_prompt(self, question):        """把示范例子与目标问题拼接成提示文本"""        self.prompt_count += 1        lines = []        for i, (ctx, cause, effect) in enumerate(self.examples_list, 1):            lines.append(                "示例{}: {}。因为{}，所以{}。".format(i, ctx, cause, effect)            )        lines.append("目标问题: " + question)        lines.append("请仿照示例, 先写因果方向 (前因->后果), 再给出结论。")        return "\n".join(lines)     def decode_response(self, text):        """从模型输出中提取因果方向与结论"""        if "->" in text:            return "前因 -> 后果", text.split("->")[1].strip()        if "<-" in text:            return "后果 -> 前因", text.split("<-")[1].strip()        return "无法判断", text  def main():    examples = [        ("强降雨持续一周", "土壤含水量饱和", "山体滑坡"),        ("连续熬夜睡眠不足", "皮质醇升高", "注意力下降"),        ("接口调用超时", "上游数据库锁表", "订单创建失败"),    ]    engine = CausalFewShot(examples)     question = "大促期间用户集中下单导致服务崩溃"    prompt = engine.build_prompt(question)    print(prompt)    print("----")     # 真实项目中此处调用大模型接口: response = llm_client.complete(prompt)    response = "高并发流量超出了容量上限 -> 服务崩溃"    direction, conclusion = engine.decode_response(response)    print("因果方向:", direction)    print("结论:", conclusion)  if __name__ == "__main__":    main()
目的：演示如何用 Python 构造 Few-shot 因果推理提示，并从模型输出中解析因果方向与结论。
  1. self.examples_list = list(examples)拷贝一份示例入库，避免外部改动污染示范质量
  2. for i, (ctx, cause, effect) in enumerate(self.examples_list, 1):逐条取出示例的三个部分：上下文、前因、后果
  3. "示例{}: {}。因为{}，所以{}。".format(i, ctx, cause, effect)把每个示例拼成“背景 + 因为……所以……”的完整因果句式
  4. lines.append("请仿照示例, 先写因果方向 (前因->后果), 再给出结论。")显式约束输出格式，让结果可被程序解析
  5. if "->" in text:通过方向标记判断模型是否真的理解了前因后果，而不是只看结论文本

常见误区

误区“我觉得给模型的示例当然越多越好，100 个示例肯定比 3 个强，就像看书看得越多懂得越多。”

正解上下文窗口有限，示例过多会稀释注意力并大幅增加 token 成本。3~8 个高质量示例通常足够。老陈示范三道菜就能让小张举一反三，示范五十道反而让徒弟记混调料配比。少而精，才是 Few-shot 的正确用法。

为何常见：直觉上相信“量变引起质变”，忽略了 LLM 在同一段上下文中的注意力资源是有限的，塞太多反而互相干扰。

误区“反正模型只是看格式，示例内容不重要，随便挑几句带因果关系的句子就能用。”

正解示例是模型模仿的样本，因果链必须真实清晰、方向标注一致、与目标问题同域。若示例本身方向混乱，模型会学到混乱。示范菜若本身做糊了，徒弟只会学到“糊锅”。

为何常见：把 Few-shot 简单理解为“格式模仿”，忽略了内容质量直接决定推理质量，模板只是骨架，因果内容才是血肉。

误区“模型参数没更新，这不算学习，它只是在复读示例而已。”

正解虽然不更新参数，但示例通过上下文学习重构了模型的注意力路径，这是一种真实的前向动态调整。小张也没有改变大脑结构，看了一遍示范就有了新的做菜思路，这也是学习。判断学习的标准是行为是否改变，而不是参数是否更新。

为何常见：把“学习”狭隘地等同于“训练/改参数”，忽略了深度学习中的即时泛化机制。

误区“只要用上 few-shot 因果推理，任何因果问题都能答对。”

正解Few-shot 是在激活模型已有的因果能力，不是从无到有地灌输知识。若模型训练数据中从未出现过类似领域的因果规则，示例再多也无力回天。小张要是从来没见过牛肉，示范再多猪肉菜也无法让他凭空会做牛排。

为何常见：看到演示效果惊艳，就幻想它能解决所有认知边界之外的难题，忽略了模型能力的底层上限。

面试题

Q1. Few-shot 因果推理的核心做法是？

单选题 · easy

  • A.用海量数据微调模型参数
  • B.提示中添加少量因果示例← 正确答案
  • C.加深神经网络来提升能力
  • D.扩大训练语料库的规模

答案：B。Few-shot 因果推理的核心是在提示中添加少量因果示例，让模型先看示范再作答。A 是微调，C 是架构改动，D 是数据规模问题，都不属于“提示层面”的技术。就像老陈教小张用示范菜，而不是送他去重读厨师学校。

Q2. 相比零样本推理，少样本因果推理的主要优势是？

单选题 · easy

  • A.推理速度显著加快
  • B.准确率与一致性提升← 正确答案
  • C.不再依赖任何提示词
  • D.模型参数会自动压缩

答案：B。少样本的主要优势是让模型在推理时对齐任务模式，从而在准确率和一致性上显著超越零样本。速度、提示词依赖、参数压缩都不属于它的效果范畴。如同示范一道菜，徒弟照着抄，当然比空想更靠谱。

Q3. 构造因果推理示例时，最重要的部分是？

单选题 · mid

  • A.清晰的因果方向标注← 正确答案
  • B.输出文案的长度
  • C.示例的排列顺序
  • D.标点符号的风格

答案：A。因果示例中最核心的是清晰的因果方向标注。“因为火大所以糊锅”和“因为糊锅所以火大”完全是两回事。文案长度、排列顺序、标点符号都是次要因素。示范菜里最重要的就是“为什么”这一句。

Q4. 关于反事实生成，下列哪项描述正确？

单选题 · mid

  • A.只能预测未来发生的事件
  • B.回答改变原因后的结果← 正确答案
  • C.与因果推断毫无关系
  • D.不需要任何前置信息

答案：B。反事实生成回答“如果改变某个原因，结果会怎样”。它不局限于预测未来，也可以重新解释过去；它本身就是因果推断的一部分，且需要前置的背景信息。就像老陈问“少放一勺糖会怎样”，小张把糖改掉后重新推演。

Q5. Few-shot 示例的数量一般建议控制在？

单选题 · mid

  • A.通常 1 到 2 个即可
  • B.通常 3 到 8 个最佳← 正确答案
  • C.通常需要 50 个以上
  • D.数量越多效果越好

答案：B。研究表明 3~8 个示例通常最佳：太少模式证据不足，太多占用上下文、增加成本。老陈试过一道太少、十道太多，三道刚刚好。示例不是越多越好，合适才最好。

Q6. 示例排序策略对 Few-shot 推理结果的影响是？

单选题 · hard

  • A.排序完全不影响结果
  • B.相似示例靠前效果更好← 正确答案
  • C.尾部示例最受模型关注
  • D.随机排序通常效果最佳

答案：B。示例排序会影响模型对类比对象的优先激活，与目标问题最相似的示例放前面，模型能更快对齐任务模式。随机排序和尾部优先都不是稳定策略。像小张学做菜，先看一道与待做菜最像的示范，最容易上手。

Q7. 在因果方向判断公式中，argmax 的作用是？

单选题 · hard

  • A.计算所有方向的均值
  • B.选择概率最大的方向← 正确答案
  • C.随机挑选一个方向
  • D.消除一切不确定性

答案：B。argmax 的作用是从所有候选方向中选出概率最大的那个。模型对“甲→乙”和“乙→甲”各给出一个置信度，取高者输出。它不是求平均，也不是随机挑选，更不是消除不确定性。

Q8. Few-shot 因果推理在资源受限场景的价值包括？

多选题 · easy

  • A.无需大规模微调计算← 正确答案
  • B.仅靠少量提示即可生效← 正确答案
  • C.必须配置高端显卡
  • D.降低标注与算力成本← 正确答案

答案：ABD。资源受限场景的价值在于无需大规模微调计算、仅靠少量提示生效、降低标注与算力成本。C 恰恰相反，few-shot 不需要高端显卡，普通推理设备即可运行，这正是它适合中小团队的原因。

Q9. 构造有效的因果示例，需要包含哪些要素？

多选题 · mid

  • A.上下文背景的描述← 正确答案
  • B.明确的因果提问← 正确答案
  • C.标注因果方向的答案← 正确答案
  • D.与问题无关的闲聊

答案：ABC。有效示例需要上下文背景描述、明确的因果提问，以及标注了方向的答案，三者构成完整的示范。D 的无关闲聊会引入噪声，降低示例质量。老陈的示范菜，每道都有背景、问题、因果答案三件套。

Q10. 关于 Few-shot 因果推理，下列说法正确的是？

多选题 · extreme

  • A.激活模型已有的因果能力← 正确答案
  • B.示例质量比数量更重要← 正确答案
  • C.能从无到有创造新知识
  • D.对数据可信层建设有益← 正确答案

答案：ABD。Few-shot 激活的是模型已有的因果能力，示例质量比数量更重要，且能在数据可信层建设中发挥作用。C 说法错误：模型本身没有该领域因果知识时，示例无法凭空创造知识。小张没见过牛肉，示范再多猪肉菜也做不出牛排。