用好Few-shot Prompting,AI 准确率提升100%

Few-shot Prompting 是一种通过在 prompt 中提供少量示例，引导 AI 模型理解任务模式并生成符合预期输出的技术。

什么是 Few-shot

Few-shot 字面意思是"少量样本"。在 AI prompting 中，它指的是在请求前提供 **2-5 个输入-输出示例，**让模型从中学习规律。

与之相关的概念：

术语	示例数量	说明
Zero-shot	0	直接描述任务，不给示例
One-shot	1	提供 1 个示例
Few-shot	2-5	提供少量示例

为什么需要 Few-shot

Zero-shot 有时无法准确传达你想要的输出格式或风格。通过示例，模型能更好地理解：

• **输出格式：**JSON、Markdown、特定结构
• **语气风格：**正式、口语、技术文档
• **处理逻辑：**分类规则、转换模式

实际示例

Zero-shot（无示例）

go 复制代码

将以下句子分类为正面或负面情感：
"这个产品太难用了"

模型可能返回各种格式：负面、这是负面情感、Negative 等。

Few-shot（有示例）

go 复制代码

将句子分类为正面或负面情感。

示例：
输入：这家餐厅的服务太棒了
输出：正面

输入：等了一个小时还没上菜
输出：负面

输入：价格合理，味道一般
输出：中性

现在分类这个句子：
输入：这个产品太难用了
输出：

模型会按照示例格式输出：负面

Few-shot 的应用场景

1. 格式化输出

go 复制代码

将用户反馈转换为 JSON 格式。

示例：
反馈：用户张三说登录按钮点不动
JSON：{"user": "张三", "issue": "登录按钮无响应", "type": "bug"}

反馈：李四建议增加深色模式
JSON：{"user": "李四", "issue": "增加深色模式", "type": "feature"}

反馈：王五反映页面加载很慢
JSON：

2. 代码风格统一

go 复制代码

将 Python 代码转换为项目规范风格。

示例：
原始：def getUser(id): return db.query(id)
规范：
def get_user(user_id: int) -> User:
    """根据 ID 获取用户"""
    return db.query(user_id)

原始：def calcTotal(items): return sum([i.price for i in items])
规范：

3. 特定领域翻译

go 复制代码

翻译技术文档，保留专业术语。

示例：
英文：The API returns a 429 status code when rate limited.
中文：当触发 rate limit 时，API 返回 429 状态码。

英文：Use dependency injection to decouple components.
中文：使用 dependency injection 解耦组件。

英文：The cache invalidation strategy affects throughput.
中文：

Few-shot 最佳实践

选择示例的原则

• **多样性：**覆盖不同类型的输入情况
• **代表性：**选择典型场景，避免边缘案例
• **一致性：**所有示例的格式必须统一
• **简洁性：**示例尽量简短，突出关键模式

示例数量

一般 2-5 个示例效果最佳：

• 太少：模型可能无法归纳规律
• 太多：占用 context window，增加成本，可能引入噪音

示例顺序

将最相关或最复杂的示例放在最后，靠近实际输入。模型对最近的内容记忆更强。

Few-shot vs Fine-tuning

对比项	Few-shot	Fine-tuning
实现成本	低，只需修改 prompt	高，需要训练数据和计算资源
灵活性	高，随时调整示例	低，需重新训练
适用场景	任务多变，数据量少	任务固定，数据量大
效果上限	受限于模型能力	可针对性优化

总结

Few-shot Prompting 是提升 AI 输出质量的实用技术。核心思路是用示例代替复杂的文字描述，让模型"看样学样"。在实际使用中，选择 2-5 个多样且一致的示例，通常能显著改善输出效果。