← 返回概念解读

Concept Fable精修版

上下文学习

In-Context Learning · 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

看三张样稿就会临摹的书吏

县衙新来一名书吏,没时间重新拜师学艺。师爷把当天要写的公文、三张旧样稿和几条规矩放在他面前,说照这个意思办。

书吏没有改变自己的手艺根基,却能从样稿里看出格式、语气、取舍和禁忌。第一份告示写得像样,师爷很满意。

后来任务变多,师爷开始随手塞样稿。有的样稿来自旧制度,有的只是草稿,有的和当前案子相似却关键条件不同。书吏仍会学习眼前模式,但学到的未必是对的。

一次他看见三张样稿都把赔付理由写在最后,于是新案也照做。可新案需要先说明风险,否则客户会误解。样稿教会了形式,却没有告诉他适用边界。

师爷先加一句灵活处理。书吏更加摇摆:有时跟样稿,有时跟指令,有时把偶然措辞当作必须规则。提醒越空,临场误读越多。

后来师爷重新挑样稿。每张样稿都覆盖一种关键情形,并标出输入、输出、判断依据和不该模仿的地方。当前案子的目标也放在样稿之前。

书吏开始稳定地借用模式:相同的是结构,不同的是事实;可迁移的是判断标准,不可迁移的是旧案细节。样稿少而准时,他表现得像临时学会了一门小规矩。

县衙没有重新训练书吏,却让他在当前材料中迅速适应新任务。师爷也记住了,放在眼前的例子会改变这一次的写法,所以例子必须干净、相关、有边界。后来师爷把坏样稿也保留了几份,但旁边明确写着不要学什么。书吏看到相似案子时,先比条件,再借格式。眼前材料像临时摆出的案头小课堂,摆得好能提速,摆得乱就会把错法也教进去。后来书吏写得快了,师爷反而更谨慎地摆材料。因为他知道,桌上每一张纸都可能临时改变书吏这一次的取舍。后来复盘时,众人把这条经验写进日常规矩:先看现场哪里真正改变了结果,再决定该保留什么、修补什么、限制什么。

揭示

这个故事讲的是:上下文学习

In-Context Learning 是模型根据 prompt 中的指令、示例和上下文临时调整行为的能力,不更新模型权重。Few-shot、格式示例、反例和任务说明都利用了这种能力。企业 Agent 使用 In-Context Learning 时,关键在于示例选择、顺序、覆盖范围、边界说明和评测;坏示例会让模型学习到错误模式,过多示例也会占用上下文预算。

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

  • 书吏:预训练后的模型
  • 三张样稿:prompt 中的示例或 demonstrations
  • 没有重新拜师:没有更新模型权重
  • 旧制度样稿:不适配当前任务的上下文示例
  • 标出输入、输出和判断依据:高质量 in-context 示例设计
  • 当前案子的目标放在前面:指令和示例的上下文组织
  • 最后洞察:In-Context Learning 是模型在当前上下文中临时吸收任务模式

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。

few-shot promptingpromptdemonstrationcontext window

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。