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