哪些场景不宜只依赖Zero-shot?

Zero-shot 的优势在于无需标注数据即可快速验证任务可行性，但“能输出”不等于“足以承担决策”。当错误会直接影响权益、安全、成本或合规时，单凭模型既有知识和任务描述通常不够。判断是否应停止依赖 Zero-shot，关键不在于模型是否聪明，而在于任务是否允许结果存在较大不确定性。

高风险决策不宜只靠 Zero-shot

法律、医疗等场景通常涉及复杂语境、专业边界和责任追溯。模型可能给出表面合理的判断，却遗漏关键条件，甚至把不确定内容表达得过于肯定。此时，Zero-shot 可以用于整理信息、生成初步分类或辅助提问，但最终结论应经过规则校验、专业人员审核，不能把自动化输出直接当作决定。

同样，客服分类、内容审核等任务如果只是粗略分流，Zero-shot 往往适合做原型；但当类别定义严格、边界相近，或分类结果会触发退款、封禁、升级处理等后续动作时，稳定性要求就明显提高。少量真实数据能够暴露模型对业务语境的误判，标注数据、示例和人工复核也更有利于建立一致标准。

分布变化大、任务要求细时要谨慎

Zero-shot 依赖模型对任务描述和输入分布的理解。当实际数据与模型熟悉的表达差异较大，结果容易波动。方言、行业术语、内部简称、格式混乱的文本，都可能让“看似清晰”的提示失去约束力。若任务还要求多个步骤、精细标签或严格结构化输出，一次性指令往往难以覆盖全部边界。

这类任务不宜只靠反复修改提示词。更稳妥的做法是先用小批量真实数据测试，检查不同输入下的稳定性，再决定是否补充示例、拆分流程、增加规则过滤，或进入有监督训练与微调阶段。

把 Zero-shot 放在合适的位置

Zero-shot 最适合探索阶段、数据尚未准备好时的可行性验证，以及低风险场景中的辅助处理。它能帮助团队快速发现任务边界，却不能替代质量标准和责任机制。只要结果需要长期稳定、可解释、可审核，或错误代价明显高于试错成本，就应把 Zero-shot 视为起点，而不是最终方案。