Few-shot Prompt 的核心是用典型、清晰、有代表性的高质量示例教AI思考，而非堆砌数量；需覆盖边界案例、严格遵循格式、统一标识符分隔、避免解释性文字，并以明确指令锚定任务目标。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
给 AI 几个高质量的示例，它就能快速理解你的任务意图，输出更准确、更符合预期的结果——这正是 Few-shot Prompt 的核心价值。关键不在于数量多，而在于例子是否典型、清晰、有代表性。
选对例子：质量比数量更重要
每个示例都该包含明确的输入和期望输出，且覆盖常见情况或易错点：
- 优先选边界案例（如空输入、含特殊符号的文本）
- 避免语义模糊或存在歧义的样本
- 若任务有格式要求（如 JSON、带编号列表），示例必须严格遵循
- 中英文混排、数字单位、日期格式等细节，示例里要真实体现
结构要干净：让模型一眼看懂模式
Few-shot 示例之间用空行分隔，输入与输出用一致的标识符区分（如“Q:”/“A:”、“Input:”/“Output:”），避免自由发挥式描述：
- 别写“用户可能问……”，直接写真实的 Q&A 对
- 不要在示例中加解释性文字（如“因为……所以……”）
- 所有示例保持相同字段顺序和标点习惯
加一句指令：锚定任务目标
在示例前用一句话明确任务类型和输出要求，比如：
请根据以下问答对学习格式与风格，然后对新问题给出简洁、准确、不补充额外信息的回答。
这句话就像“任务说明书”，能显著降低模型自由发挥导致的偏移。
小技巧：动态调整示例组合
同一任务下，不同示例组合效果可能差异很大：
- 先用 2 个最典型的例子测试 baseline 效果
- 发现某类错误频发（如漏掉单位、混淆同音词），就加入一个针对性纠正示例
- 如果模型开始“模仿示例句式”而非“理解逻辑”，说明示例太模板化，需增加多样性
不复杂但容易忽略：Few-shot 不是堆例子，而是教模型怎么思考。选得准、排得清、说得明，AI 才真能“举一反三”。
