换个角度想
少样本像教新同事写周报：与其解释半天「要简洁、要有数据」，不如直接给他看两份写得好的周报，他照着写就八九不离十。不过要是给他看的两份都只写了好消息，他交上来的也会只报喜。
术语 · AI
少样本
Few-shot
在提示词里附上几条「输入 → 输出」示例，让 AI 照着示例的格式和口径完成同类任务。
先给几个例子，再让它照做
零样本 · 只有说明少样本 · 说明 + 示例示例把口径讲清楚了
只能猜你的分级照着示例分级几个例子，胜过一段形容词
- 附在提示词里的 3 条示例
示例 1「很好用」→ 好评示例 2「三天就坏了」→ 差评示例 3「好看但太贵」→ 中评附在提示词里的 3 条示例示例 1「很好用」→ 好评示例 2「超出预期」→ 好评示例 3「物流很快」→ 好评 - 每条都写成同一种格式
输入一条评论原文输出好评 / 中评 / 差评，只写标签 - 新评论「屏幕碎了」→ 差评新评论「屏幕碎了」→ 好评：它照着示例的样子答
- 稳定三类答案都有示例哪类常错，就针对那类再补一条偏了示例全是好评，它就爱说好评示例要覆盖每一类答案，模型会照着示例的分布来
挑两三条有代表性的示例
什么时候会遇到它
固定输出格式
要 AI 输出特定的 JSON 结构或标签写法时，给两条示例比描述格式更可靠。
团队自己的口径
内部的分级、命名、术语规则模型没见过，只能靠示例教会它。
模仿风格
想让文案贴近品牌语气，附上几段过往文案当示例。
想一想
给了 3 条示例，全都是好评，结果 AI 把一条明显的差评也标成了好评。问题出在哪？
看答案
示例太单一。模型会模仿示例的分布，只看过好评，就倾向于回答好评。示例要覆盖每一类答案，最好再加一条容易混淆的边界情况。
最容易踩的坑
示例会被照单全收：错的、偏的、格式不统一的示例，会原样教给模型。示例也不是越多越好，几条有代表性的就够，太多反而挤占上下文窗口。