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
3-5最佳平衡点
6+边际收益递减

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

Prompt Chaining 提示链:把复杂任务拆成多步 Prompt 流水线,让 LLM 完成单 Prompt 做不到的事

单个 Prompt 再强也有上限:上下文爆炸、目标冲突、中间结果不可复用。Prompt Chaining 把复杂任务拆成多个独立 Prompt 串联执行,每个 Prompt 只解决一个子问题,输出作为下一个的输入。本文拆解提示链与 CoT、ToT 的本质差异,给出三类经典链式模式、链路设计原则与可复用的编排框架。

2026-08-05
#Prompt技巧#Prompt Chaining
Prompt通用

ReAct 提示法:让 LLM 学会「思考-行动-观察」三步循环解决多步任务

Chain of Thought 只能想,不能做;Function Calling 能做,但不会自我修正。ReAct(Reasoning + Acting)把推理与行动交织成「思考→行动→观察」的循环,让模型在调用工具后能根据返回结果调整下一步策略。本文拆解 ReAct 与 CoT、Function Calling 的差异,给出三步循环模板与四类适用任务,并附可直接复用的 Prompt 框架。

2026-08-01
#Prompt技巧#ReAct
Prompt通用

角色扮演 Prompt 法:让 AI 立刻进入专家状态

通过给 AI 分配明确角色身份,可显著提升回答的专业度和准确率。本文拆解角色法的 3 个层级和 5 个实战模板。

2026-07-29
#Prompt技巧#角色扮演
Prompt分析

Step-back Prompting 退一步思考:让 LLM 先抽象原则再解题,复杂推理准确率提升 30%

面对复杂问题,模型常陷入细节纠缠而错过底层规律。Step-back Prompting(Zheng et al., 2023)让模型先问一个更高层次的抽象问题,再把普适原则带回原问题求解。本文拆解 Step-back 与 CoT、Self-Consistency 的差异,给出两阶段模板与三类典型场景,并附可直接复用的 Prompt 框架。

2026-08-02
#Prompt技巧#Step-back