交互与提示 · 05-03
少样本提示（Few-shot Prompting）
在提示中提供几个输入输出示例，让模型模仿格式、风格或判断标准。
少样本提示（Few-shot Prompting）
在提示中提供几个输入输出示例，让模型模仿格式、风格或判断标准。
一、是什么
- 在提示中提供几个输入输出示例，让模型模仿格式、风格或判断标准。
- 类比：像先给助理看合格样稿，再让他照着做。
- 关键澄清：
| 它不是什么 | 它是什么 |
|---|---|
| 不是训练新模型 | 用上下文示例临时塑造模型行为 |
二、为什么重要
- 它适合快速稳定输出格式和风格。
- 不懂它会怎样：样例质量差会让模型照着犯错。
三、日常怎么理解
- 用一句话讲给非技术朋友听：少样本提示就是给 AI 看样板。
- 常见场景：提供三条标准客服回复，再让模型处理新问题。
- 少样本学习（Few-shot Learning）视角：少样本提示也体现了模型的少样本学习能力——即通过少量示例理解任务格式和规律，然后完成新样本。关键澄清：少样本提示不是重新训练模型，而是利用上下文示例引导模型行为。示例要少而准，过多会占用上下文并引入噪音。
四、常见误解
| 误解 | 真相 |
|---|---|
| 样例越多越专业 | 示例要有代表性，并覆盖关键边界。 |
| 示例越多越好 | 少样本提示不是训练新模型，示例要少而准，过多会占用上下文并引入噪音。 |
五、延伸阅读
适用场景与行动
场景：适合用来建立 AI 核心概念的共同语言。
适合谁：非技术创业者、AI 产品使用者、内容与业务负责人
下一步：先用一句话复述这个概念，再判断它和你的业务场景有什么关系。
这张卡片由杨思远基于真实工作流和实测经验整理。
如发现信息过时或有误，可通过 /contact 反馈。