零样本学习（Zero-shot）

# 零样本分类示例
def zero_shot_classification(model, text, categories):
    """零样本文本分类"""
    prompt = f"""
    请将以下文本分类到最合适的类别中：
    
    文本: "{text}"
    
    候选类别: {', '.join(categories)}
    
    请只返回最合适的类别名称。
    """
    
    response = model.generate(prompt)
    return response.strip()

# 使用示例
text = "这部电影的特效太棒了，故事情节也很精彩"
categories = ["正面评价", "负面评价", "中性评价"]
result = zero_shot_classification(model, text, categories)
# 输出: "正面评价"

def zero_shot_sentiment(model, text):
    """零样本情感分析"""
    prompt = f"""
    分析下面文本的情感倾向，回答"积极"、"消极"或"中性"：
    
    文本: "{text}"
    
    情感:
    """
    
    return model.generate(prompt, max_tokens=10)

# 示例
sentiment = zero_shot_sentiment(model, "今天天气真好，心情很愉快！")
# 输出: "积极"

def zero_shot_summarization(model, text, max_length=100):
    """零样本文本摘要"""
    prompt = f"""
    请用不超过{max_length}字总结以下文章的主要内容：
    
    {text}
    
    摘要:
    """
    
    return model.generate(prompt, max_tokens=max_length)

def zero_shot_translation(model, text, target_language):
    """零样本翻译"""
    prompt = f"""
    请将以下文本翻译成{target_language}：
    
    原文: {text}
    
    译文:
    """
    
    return model.generate(prompt)

# 多语言翻译示例
translations = {
    "英语": zero_shot_translation(model, "你好世界", "英语"),
    "日语": zero_shot_translation(model, "你好世界", "日语"),
    "法语": zero_shot_translation(model, "你好世界", "法语")
}

def zero_shot_code_generation(model, description, language="Python"):
    """零样本代码生成"""
    prompt = f"""
    请用{language}编写一个函数来实现以下功能：
    
    功能描述: {description}
    
    要求:
    1. 包含适当的注释
    2. 处理边界情况
    3. 返回合适的结果
    
    代码:
    ```{language.lower()}
    """
    
    return model.generate(prompt, stop=["```"])

# 使用示例
code = zero_shot_code_generation(
    model, 
    "计算斐波那契数列的第n项"
)

def zero_shot_creative_writing(model, genre, theme, length="500字"):
    """零样本创意写作"""
    prompt = f"""
    请写一篇{genre}，主题是"{theme}"，长度约{length}。
    
    要求:
    1. 情节有趣且连贯
    2. 人物形象鲜明
    3. 语言生动有趣
    4. 结尾有一定的启发性
    
    作品:
    """
    
    return model.generate(prompt)

# 示例
story = zero_shot_creative_writing(
    model,
    genre="科幻小说",
    theme="人工智能的觉醒",
    length="800字"
)

def zero_shot_chain_of_thought(model, problem):
    """零样本思维链推理"""
    prompt = f"""
    请一步步思考并解决以下问题：
    
    问题: {problem}
    
    让我们一步步思考：
    """
    
    return model.generate(prompt, max_tokens=500)

# 复杂推理示例
result = zero_shot_chain_of_thought(
    model,
    "如果一个商店里苹果每公斤8元，橙子每公斤6元，小明买了2公斤苹果和3公斤橙子，他总共需要付多少钱？"
)

def zero_shot_role_playing(model, role, task):
    """零样本角色扮演"""
    prompt = f"""
    请扮演一个{role}，完成以下任务：
    
    任务: {task}
    
    作为{role}，我的回答是:
    """
    
    return model.generate(prompt)

# 示例
response = zero_shot_role_playing(
    model,
    role="资深财务顾问",
    task="为刚毕业的大学生制定理财建议"
)

def zero_shot_image_captioning(multimodal_model, image_path):
    """零样本图像描述"""
    prompt = """
    请详细描述这张图片中的内容，包括：
    1. 主要物体和人物
    2. 场景和环境
    3. 色彩和氛围
    4. 值得注意的细节
    
    描述:
    """
    
    return multimodal_model.generate(image_path, prompt)

class ZeroShotEvaluator:
    """零样本学习评估器"""
    
    def __init__(self, model):
        self.model = model
        self.results = {}
    
    def evaluate_classification(self, test_data, categories):
        """评估零样本分类性能"""
        correct = 0
        total = len(test_data)
        
        for text, true_label in test_data:
            predicted = zero_shot_classification(
                self.model, text, categories
            )
            if predicted == true_label:
                correct += 1
        
        accuracy = correct / total
        return {
            'accuracy': accuracy,
            'correct': correct,
            'total': total
        }
    
    def evaluate_generation_quality(self, prompts, reference_outputs):
        """评估生成质量"""
        from rouge_score import rouge_scorer
        
        scorer = rouge_scorer.RougeScorer(['rouge1', 'rouge2', 'rougeL'])
        scores = []
        
        for prompt, reference in zip(prompts, reference_outputs):
            generated = self.model.generate(prompt)
            score = scorer.score(reference, generated)
            scores.append(score)
        
        # 计算平均分数
        avg_scores = {}
        for metric in ['rouge1', 'rouge2', 'rougeL']:
            avg_scores[metric] = {
                'precision': sum(s[metric].precision for s in scores) / len(scores),
                'recall': sum(s[metric].recall for s in scores) / len(scores),
                'fmeasure': sum(s[metric].fmeasure for s in scores) / len(scores)
            }
        
        return avg_scores

# 模糊指令可能导致错误理解
ambiguous_prompt = "处理这个文档"
# 更好的指令
clear_prompt = "请总结这份技术文档的主要功能点，用简洁的列表形式呈现"

def check_knowledge_boundary(model, query):
    """检查模型知识边界"""
    confidence_prompt = f"""
    对于问题"{query}"，请评估你的回答可靠性（1-10分），并说明原因：
    
    可靠性评分: ___/10
    原因: ___
    回答: ___
    """
    
    return model.generate(confidence_prompt)

def handle_long_context(model, long_text, task):
    """处理长文本的零样本任务"""
    # 策略1: 分块处理
    chunks = split_text(long_text, max_length=2000)
    results = []
    
    for chunk in chunks:
        result = model.generate(f"对以下文本{task}：\n{chunk}")
        results.append(result)
    
    # 策略2: 合并结果
    final_result = model.generate(
        f"将以下结果合并为最终答案：\n" + 
        "\n".join(results)
    )
    
    return final_result

class PersonalizedZeroShotAssistant:
    """个性化零样本AI助手"""
    
    def __init__(self, user_profile):
        self.user_profile = user_profile
    
    def generate_response(self, query):
        personalized_prompt = f"""
        基于用户画像：{self.user_profile}
        
        用户问题：{query}
        
        请提供个性化的回答：
        """
        
        return self.model.generate(personalized_prompt)