高质量示例是提升通义千问输出稳定性的最直接有效方法：需精准匹配目标场景、写清上下文角色与约束、采用结构化格式（如“输入：…… 输出：……”），并小步迭代验证。
☞☞☞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☜☜☜
在提示词中加入高质量示例，是提升通义千问输出稳定性最直接有效的方法之一。示例能明确任务格式、风格边界和逻辑要求，相当于给模型一个可参照的“锚点”，大幅降低歧义和随机性。
选对示例：贴近目标场景的真实片段
示例不是越多越好，而是要精准匹配你最终想要的输出类型。比如你要生成产品卖点文案，就用真实电商详情页中的短句式、带情绪词、含数字的句子；如果要写技术文档摘要，就选结构清晰、主谓宾完整、术语准确的段落。避免虚构或过于简略的示例，否则模型容易学到错误模式。
- 一个示例足够时，不堆砌三个以上
- 优先使用你自己业务中已验证有效的输出作为示例
- 若需多轮对话效果，示例中可包含用户提问+模型回答的完整交互
写清示例上下文：交代角色、目标与约束
光甩一个句子过去，模型不知道它为什么这么写。在示例前加一句简短说明，比如“作为资深健身教练，为40岁以上初学者设计每周训练计划，每次不超过30分钟”，能让模型快速进入角色，理解限制条件（年龄、经验、时长），从而稳定复现同类输出。
- 每条示例前用破折号或冒号引出角色/场景说明
- 关键约束（如字数、禁用词、必须包含要素）写进说明里，不要只靠示例隐含
- 避免模糊表述，如“专业一点”——改成“使用行业术语，但不解释概念”更可靠
格式对齐：让输入输出结构一眼可辨
模型擅长模式识别。把示例排成统一格式（如“输入：…… 输出：……”），比混在一起的自然语言描述更容易被学习。尤其在分类、改写、翻译等任务中，结构化示例能显著减少格式错乱或漏项问题。
- 用固定前缀区分输入与输出，例如“原文：”“改写后：”
- 多示例之间空一行，保持视觉节奏
- 若涉及多字段（如标题/正文/标签），用换行或符号分隔，保持各示例字段顺序一致
小步迭代：从单示例开始验证再扩展
别一上来就塞五个示例。先用一个最典型的跑通基础效果，确认模型能复现核心特征；再加一个风格略有差异的，看是否泛化合理；最后补一个带边界条件的（比如“当用户说‘太贵了’时，回应要强调性价比”），逐步加固稳定性。
- 每次只改一个变量：换示例、调说明、调格式，便于定位问题
- 测试时用相同输入反复请求3–5次，观察结果波动是否明显缩小
- 发现不稳定时，优先检查示例内部是否存在矛盾（如一个说“口语化”，另一个满是书面语）
