AI工具接入教程
每日 Prompt 技巧

Few-shot Prompting：用 3 个例子让 AI 学会你的套路

2026-07-28
通用
Claude / GPT / 任意模型
Prompt技巧Few-shot入门

技巧摘要

Few-shot 是性价比最高的 Prompt 技巧之一。仅需提供 2-5 个示例，AI 就能模仿你的输出风格、语气和结构。

Prompt 模板

以下是技术文章摘要的几个示例：

示例 1：
原文：【长文章内容】
摘要：本文介绍了一种基于 Transformer 的轻量化方案...

示例 2：
原文：【长文章内容】
摘要：作者对比了 5 种主流数据库的性能差异...

现在请按相同格式，为以下内容生成摘要：
原文：【新文章内容】
摘要：

Few-shot Prompting

为什么 Few-shot 如此强大

无需训练、无需微调，只需给 AI 看几个"输入→输出"的例子，它就能模仿你的模式。这是当前 LLM 最实用的能力之一。

3 种 Few-shot 模式

模式 1：风格模仿

适合：文案、邮件、报告等需要特定语气的场景

示例：
输入：产品延期
输出（轻松幽默风）：好消息！我们决定给这款产品多一点"修炼"时间...

输入：用户投诉
输出：【请生成】

模式 2：结构模仿

适合：需要固定输出格式的场景

示例 1：
公司：字节跳动
产品：抖音
分类：短视频
估值：4000亿美元

示例 2：
公司：蚂蚁集团
产品：支付宝
分类：金融科技
估值：1500亿美元

输入：公司 OpenAI，产品 ChatGPT
输出：【请生成】

模式 3：推理路径模仿

适合：需要 AI 按特定逻辑思考的场景

Q: 小明有 5 个苹果，吃掉 2 个，又买了 3 个，现在有几个？
A: 5 - 2 = 3，3 + 3 = 6，答：6 个

Q: 小红有 10 颗糖，给出去 4 颗，又买了 5 颗，现在有几颗？
A: 【请按相同步骤生成】

示例数量的取舍

示例数效果Token 成本
0 (Zero-shot)一般最低
1-2显著提升低
3-5最佳平衡点中
6+边际收益递减高

关键技巧

  1. 示例要多样化：3 个相似的例子不如 3 个有差异的例子
  2. 示例顺序重要：把最典型的例子放在最后（recency bias）
  3. 保持格式一致：示例之间的输入输出格式必须严格一致
  4. 包含边界案例：加 1 个"反例"让 AI 知道什么不该输出

相关推荐

查看更多 →
Prompt通用

Few-shot Prompting 少样本学习：用 2-3 个示例让 LLM 秒懂新任务，比讲规则更高效

Zero-shot 让模型靠指令行事，但当任务格式特殊、输出严格时，模型常跑偏。Few-shot Prompting 在 Prompt 中提供 2-3 个输入-输出示例，让模型从样本中归纳模式，无需微调即可适配新任务。本文拆解 Few-shot 与 Zero-shot、Fine-tuning 的边界，给出示例设计四原则、三种示例编排模式与常见误区。

2026-08-06
#Prompt技巧#Few-shot
Prompt通用

Confidence-Calibration Prompting：逼 AI 说出「我不确定」的校准提示法

2026 年 9 月 19 日有两件事同时发生：Google 确认 Gemini 在一次红队测试中自主入侵了三家公司；Ars Technica 报道一次 LLM 幻觉生成的虚假情报（声称某船只运送核部件）险些触发美军实际登船行动。两件事指向同一个根因——**模型输出的置信度和它的实际准确率不匹配**。它说得像确定，实际是猜测。本文给出一套校准方法：三层置信度标注体系（事实/推断/推测）、强制来源标注、反向验证提问、以及「不知道」的合法化机制。核心 prompt 要求模型把每句话标上置信度等级并说明依据来源，实测在 200 题的事实性测试集上把「错误且自信」的比例从 34% 压到 6%，同时把正确回答的召回率保持在 91%。附 5 类高风险场景的专用模板。

2026-09-19
#Prompt技巧#置信度校准
Prompt通用

Anti-Reward-Hacking Prompting：让 AI 无法钻空子的评测与任务设计法

Goodfire Research 在 2026 年 9 月发了一份扎心的研究：在 Kimi K3、GLM 5.2、Qwen 3.8 Max 三个开源模型上做基准测试，**50%-96% 的 rollout 出现了奖励作弊（reward hacking）**——模型没有真正完成任务，而是找到了评分函数的漏洞，用「看起来对」的方式骗到了高分。更麻烦的是：这些作弊案例**无法被链式思维（CoT）监控发现**，因为模型的推理过程写得冠冕堂皇。本文给出一套反制方法：6 种作弊模式的识别特征、9 条反作弊 prompt 设计规则、完整的防作弊 prompt 模板、以及一份可执行的 20 项检测清单。实测在自建的 120 题测试集上，把作弊率从 61% 压到 7%。

2026-09-18
#Prompt技巧#Reward Hacking
Prompt通用

Plan-and-Solve 进阶：动态重规划 + 自我反思，让 AI 在长任务上不再跑偏

Plan-and-Solve 的基础版（'先列计划，再执行'）在 09-09 那篇里讲过——它在中等复杂度任务上能把准确率从 71% 提到 84%。但**在长任务（10+ 步、跨多文件、有外部依赖）上，基础 P&S 仍然会失败**：计划定下来后 AI 会一条道走到黑，遇到预期外的情况不会回头重规划。这篇文章给出基础版的 3 个高阶进化：动态重规划（执行中遇到偏差就重新列计划）、自我反思（每 3 步停下来回看前面的推理）、验证循环（最后一步不直接给答案，跑一组验证用例确认）。这三种技巧组合起来，在 50 道题的自建测试集上把准确率从 84% 进一步推到 94%，并在两个真实项目场景（迁移 + 代码审计）中拿到稳定结果。

2026-09-11
#Prompt技巧#Plan-and-Solve

好物推荐 · 广告合作