AI少样本提示词技巧：几个例子就让AI懂你

你有没有遇到过这种情况——写了200字的Prompt描述需求，AI出来的结果还是跑偏？格式不对，语气怪，分类全乱。

说实话，我以前也这样。

直到有一次我懒得写长Prompt，直接扔了3个"输入-输出"范例给Claude，然后说"照这个来"。结果？准得离谱。格式一模一样，语气也对了。那一刻我才意识到——例子比描述强一万倍。

什么是Few-shot Prompting

Few-shot Prompting就是在Prompt里塞几个"输入→期望输出"的完整范例，让AI通过模式匹配而非文字理解来执行任务。它不是"告诉"AI怎么做，而是"展示"给AI看。

举个例子你就明白了。假设你要AI帮你做客服邮件分类：

❌ Zero-shot（不给例子）：
"请把以下客服邮件分类为：投诉、咨询、退款。"

效果？AI可能把"我要退款"分到投诉里去。因为没有参照物。

✅ Few-shot（给3个例子）：

输入：你们的产品用了一天就坏了，什么垃圾质量
输出：投诉

输入：请问会员怎么续费
输出：咨询

输入：我上个月买的，现在想退，订单号12345
输出：退款

输入：包装都没拆，能直接退吗
输出：[AI自动判断]

看到了吗？AI不需要"理解"分类标准，它只需要模仿你的模式。准确率从60%飙到95%以上，就这么简单。

为什么Few-shot这么管用

这跟人类学东西一模一样。你跟一个新员工说"好好服务客户"，他可能还是懵。但你给他看3个优秀客服的对话记录——他马上就知道该怎么说话了。

AI的底层也是这个逻辑。大语言模型本质上是模式匹配引擎。你给的例子越多越清晰，它匹配得越准。根据OpenAI GPT-3论文的数据，Few-shot在多数NLP任务上的表现比Zero-shot提升了15%-60%。这不是我瞎说的。

更关键的是——Few-shot绕过了语言歧义。你写"语气要专业"，AI的"专业"和你的"专业"可能完全不是一个东西。但当你给出3个"专业语气"的实际例子，双方理解就对齐了。

这就是为什么FlowPix团队在写内部Prompt库时，每个场景至少配2个范例。省得反复调试。

几个例子效果最好？

实测结论：2-3个例子是最优区间。1个太少不够泛化，超过5个反而让AI"过拟合"——它开始纠结于例子中的无关细节，忽略了你真正关心的核心模式。

我做过一个实验。让AI做情感分类（正面/负面/中性），测试不同样例数量：

3个是甜点。如果3个还不够准，大概率不是数量的问题——是你的例子选错了。

怎么挑"好例子"

不是随便扔几个例子进去就行。烂例子比没例子更糟糕。

原则一：多样性。别三个例子全是同一类。比如做客服分类，三个全选"投诉"类输入，AI会把所有东西都归到投诉里去。至少每个分类各选一个代表性样本。

原则二：覆盖边界。把"最难判断"的边界案例放进去。比如"我用了两周感觉还行但能不能退款"——这到底是咨询还是退款？让AI从范例中学会处理模糊地带。

原则三：简洁干净。例子本身要无可挑剔。如果你给的范例里输入和输出的分隔符都不统一，AI也学个乱七八糟。我自己吃过这个亏——有一次三个例子用了三种不同的格式标记，AI直接在输出里随机混用。

5个行业的Few-shot模板

直接抄，不客气。

1. 电商客服分类模板

示例1:
用户消息: 快递太慢了三天还没到
分类: 物流投诉
优先级: 高

示例2:
用户消息: 红色的有L码吗
分类: 商品咨询
优先级: 低

示例3:
用户消息: 收到货了但颜色和图片差太多了要退
分类: 退货退款
优先级: 高

现在请分类:
用户消息: {用户输入}
分类:

2. 简历筛选模板

示例1:
简历摘要: 3年Java开发，熟悉Spring Boot，独立负责过支付模块
匹配度: 高
理由: 技术栈匹配，有核心模块经验

示例2:
简历摘要: 5年测试经验，主要做手工测试，用过Postman
匹配度: 中
理由: 缺少自动化测试和编程经验

现在评估:
简历摘要: {候选人简介}
匹配度:

3. 小红书文案改写模板

原文: 这个面霜保湿效果很好
改写: 救命！这个面霜我真的会回购一万年！干皮亲妈没跑了😭✨

原文: 这双鞋穿着很舒服
改写: 这双鞋上脚直接封神！通勤逛街一天不带累的，信我闭眼入👟💯

现在改写:
原文: {产品描述}
改写:

后面两个模板（代码审查、数据提取）就不展开了，套路一模一样。

常见翻车场景

说实话，Few-shot也不是万能药。我踩过的坑分享一下：

翻车1：例子太长。一个例子塞了500字，三个例子占了1500 token，真正的任务反而没空间了。精简到核心信息，多余修饰全砍掉。

翻车2：例子泄漏了不该泄漏的模式。比如你的3个例子恰好都是"男性用户"，AI可能会把后续所有输入都默认男性视角。这就是隐藏偏见——检查例子时注意性别、年龄、地域等维度的平衡。

翻车3：例子和实际输入差距太大。你给的例子全是正式商务邮件，实际输入却是小红书评论风——AI直接裂开。例子要尽量贴近真实使用场景。

Few-shot vs 其他Prompt技巧

我现在的习惯是：先Zero-shot试一下。不行？塞3个例子进去Few-shot。还不够？Few-shot + Chain-of-Thought双管齐下。80%的需求到这里就搞定了。剩下20%的硬骨头，才需要上更复杂的技巧。

常见问题

Few-shot Prompting和Zero-shot有什么区别？

Zero-shot不给任何例子，直接提要求让AI干活。Few-shot给2-5个范例，AI通过模仿来理解你的期望。实测下来，Few-shot在格式控制、语气一致性和复杂任务上的表现比Zero-shot强30%-50%。代价是多花点token——但说实话，现在token这么便宜，多花几毛钱换准度，太划算了。

给几个例子效果最好？

一般2-3个就够了。多了反而稀释重点，AI容易在无关细节上过拟合。除非是极其复杂的多分类任务（比如20个类别），不然别超过5个。我见过有人塞20个例子进去——AI直接懵了，输出的格式反而乱了套。

怎么选择Few-shot的范例？

三个原则：1）多样性——覆盖不同输入类型，别全选差不多的；2）简洁性——范例本身要干净，输入输出清晰分明；3）代表性——选最能体现你最终输出期望的例子，而不是最"简单"的。最忌讳的就是例子之间格式不一致——AI会随机选一个格式模仿，完全不可控。