少样本提示是什么？Few-shot写法与效果提升实操

少样本提示（Few-shot Prompting）就是在指令后面附上两三个”输入对应输出”的示例，让模型照着示例的格式和判断标准继续完成任务。它的价值在于：与其用长篇文字描述你要什么，不如直接给范例，模型对示范的理解远比对形容词的理解准确。

少样本提示是什么原理？

大模型有很强的模式延续能力。当上下文里出现了”原始信息→整理后结果”的成对示例，模型会自动对齐这种映射关系，把新的输入套进同样的模式里。示例相当于把抽象要求翻译成了具体样板，省去了模型对需求的猜测。

一个可套用的模板：先写一句话指令，然后给出”输入：……输出：……”格式的三组示例，最后放入待处理内容。用它跑几轮，把不理想的输出改成新示例再加回去，提示词会越用越准。更多提示词练习工具见

以”把口语反馈整理成结构化需求”为例，提示词可以这么写：”把用户口语反馈改写成结构化需求，格式为：需求点、场景、优先级建议。示例：输入’导出总是很慢，等半天’，输出’需求点：导出性能优化；场景：大数据量导出；优先级建议：高’。参照上面的格式处理下面这条反馈。”

两个细节值得注意：示例的输出要严格遵守你自己定义的格式，一处松动整个提示就会漂移；示例输入尽量选真实语料，编造的”干净”输入会让模型低估真实数据的杂乱程度，上线后遇到口语化表达就容易失手。

多数任务两三个够用，分类边界复杂时可以到五个，再多收益递减且拖慢响应。

可以，而且建议自己写：示例就是你的标准答案，人工把关后才代表真正的质量标准。

可以，先定角色再给示例是常见组合，两者分别约束口吻与格式，互不冲突。