Ch12 Prompt工程修订于 二〇二六年七月二日
12.4 Few-shot 实战
Few-shot 是提示词工程中最强大的技巧之一——给 AI 看几个例子，让它照着学。但 Few-shot 用得好不好，差别巨大。
12.4.1 2-shot vs 3-shot vs 5-shot 的选择
“给几个例子”不是越多越好。选择示例数量的原则：
| 示例数量 | 适用场景 | 注意事项 |
|---|---|---|
| 2-shot | 简单格式转换（如”中文→英文”） | 两个例子足够展示模式 |
| 3-shot | 中等复杂度的风格模仿 | 最常用的数量，性价比最高 |
| 5-shot | 复杂推理或特定输出格式 | 再多可能边际收益递减，且占用上下文窗口 |
12.4.2 示例质量 > 示例数量
3 个高质量、覆盖边缘情况的示例，效果好于 10 个平庸示例。好的示例应该：
- 覆盖多样性：不要给三个类似的例子，要覆盖不同的输入类型
- 边界清晰：包含一个”正常情况”和一个”边界情况”的示例
- 无歧义：示例本身没有争议或多种理解方式
12.4.3 示例顺序影响结果
研究表明，AI 对最后一个示例的权重最高（Recency Bias，近因效应）。如果你有 3 个示例，最重要的那个放在最后。如果你想让 AI 偏向某种风格，把最符合你期望的示例放在最后。
12.4.4 实际对比
任务：将客户投诉按严重程度分成”低/中/高/紧急”四级。
版本 A（Zero-shot，无示例）：
“将以下客户投诉分类：‘你们的产品用了三天就坏了，我要退款！’”
AI 可能输出：“高”（但没有解释，没有标准，不稳定）
版本 B（3-shot，有示例）：
“将客户投诉分类。示例： 输入：‘颜色和图片不太一样’ → 低 输入：‘物流太慢了，等了一周’ → 中 输入：‘产品有严重质量问题，要求赔偿’ → 紧急 现在分类：‘你们的产品用了三天就坏了，我要退款！’”
AI 输出：“紧急”（更准确，更稳定，且有了参照标准）
关键差异：Few-shot 不仅提高了准确率，更重要的是让输出变得可预测——你不再”猜”AI 会怎么分类，而是通过示例定义了分类标准。
← 上一节：12.3 好提示词长什么样 ｜ 下一节：12.5 Chain-of-Thought 深入 →