Zero-shot 直接给任务指令不给示例，依赖模型预训练获得的指令遵循能力；Few-shot 在提示中放几个输入-输出示例，让模型通过上下文学习（in-context learning）模仿格式与模式，无需更新参数。CoT（思维链）让模型在给出答案前先逐步推理，把复杂问题分解为中间步骤。

使用场景：简单分类、格式转换 Zero-shot 足够；输出格式严格或风格特殊时 Few-shot 立竿见影；数学、逻辑、多步推理任务 CoT 提升显著——'Let's think step by step' 一句即可触发（Zero-shot CoT），效果更好的是 Few-shot CoT，示例中包含完整推理过程。进阶变体有自一致性（Self-Consistency，多次采样投票）、Tree-of-Thoughts。

易错点：示例的顺序与分布会影响结果（近因偏差）；简单任务加 CoT 反而增加出错环节和成本；推理模型（o1/R1 类）已内化 CoT，无需显式提示逐步思考。追问方向：为什么上下文学习不更新参数却有效？