← 返回概念解读

Concept Fable精修版

少样本提示

Few-Shot Prompting · LLM Interaction

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

师傅不讲长规矩,只摆三件样品

书画铺来了一位临时伙计,掌柜没时间从头教他所有规矩。第一天,客人要题扇面,他写得像碑文;客人要婚帖,他又写得像账单。

掌柜没有讲长篇理论,只拿出三张样稿。第一张是寿宴帖,语气庄重;第二张是请柬,句式简洁;第三张是退货回信,礼貌但不承诺过头。每张旁边都写着客人怎么问、铺子如何答。

伙计照着样稿做,立刻好了一些。可他也会误学:看到寿宴帖有四字吉语,便给退货信也塞吉语,惹得客人皱眉。

掌柜又补了两个反例,说明哪些形式不能乱搬,并把样稿排在新任务前,让伙计先看“这种问法对应这种答法”。样稿不覆盖所有情况,却给了他可模仿的格式、语气和边界。

第二天来了新客,要求“给搬家酒写一封简短邀请”。伙计没见过同样题目,但从请柬样稿学到结构,从寿宴帖借来祝词分寸,写出一封可用的信。

掌柜还让伙计说出每张样稿可学什么、不可学什么。寿宴帖可学祝辞分寸,不能学到退货信里;退货信可学礼貌拒绝,不能学成冷冰冰的官话。少数样品给方向,也会留下误导。

几天后,掌柜换了一类新客:有人要道歉信。伙计翻遍三张样稿,只能拼出半像不像的回信。掌柜这才告诉他,样品少时要选得准,还要知道样品覆盖不到哪里;否则照猫画虎也会走偏。 后来掌柜定期换样稿,把常见来信和容易误学的反例一起放进去。临时伙计不必背完整铺规,也能迅速贴近风格;但他知道,样品之外仍要谨慎。

掌柜提醒他,几张样稿能快速校准做法,却不是完整训练。样稿选得好,伙计马上贴近要求;样稿混乱,他也会跟着走偏。少量例子最有用的地方,是让人从上下文里看见该怎样回答。

揭示

这个故事讲的是:少样本提示

Few-Shot Prompting 是在 prompt 中提供少量输入-输出示例,让模型从示例中学习任务格式、判断尺度和输出风格。它不改变模型权重,而是在当前上下文中引导模型行为。它适合分类、抽取、改写、格式化等任务,但示例选择、顺序、数量和版本都会影响结果。

它重要的地方在于:它不只是一个术语,而是在真实 AI / Agent 系统里会反复出现的结构性问题。理解它,才能判断什么时候该加模型,什么时候该改流程,什么时候该补治理。

隐喻映射

  • 好、中、差三个字:只有任务名称的 prompt
  • 一页规则:纯文字说明
  • 三匹样品:few-shot examples
  • 输入和期望标签放一起:input-output demonstrations
  • 二十件样品导致混乱:过多或低质量示例带来噪声
  • 筛掉重复样品:示例选择
  • 样品标版本:prompt example versioning
  • 最后洞察:Few-Shot Prompting 用少量示例在上下文中对齐模型行为

Soloharness 判断

这个概念的实战价值,是帮你把“看起来聪明的 AI 功能”拆成可交付、可验收、可治理的工作单元。

in-context learningprompt engineeringdemonstrationszero-shot prompting

相关辨析

这个概念容易和相邻概念混用,建议继续看对比页。