少样本学习：用示例告诉 AI 你想要什么

先看个对比 👀

**任务**：把口语转换成正式书面语

**零样本（不给示例）**：

> "把这段话改正式：'这个方案挺好的，我觉得可以做'"

> AI 输出："这个方案很好，我认为可以实施。"

**少样本（给 2 个示例）**：

> "把这段话改正式。参考以下格式：

> 示例 1：

> 原文：'这个项目有点赶，可能做不完'

> 正式：'经评估，当前项目周期较为紧张，存在无法按期交付的风险'

> 示例 2：

> 原文：'客户那边好像不太满意'

> 正式：'据反馈，客户对当前方案存在顾虑，建议进一步沟通确认'

> 现在请改：'这个方案挺好的，我觉得可以做'"

AI 输出："经评估，该方案具有较高的可行性，建议推进实施。"

**看出区别了吗？** 给了示例后，AI 学会了"正式"的具体标准：用"经评估"替代"我觉得"，用"推进实施"替代"可以做"。

---

什么是 Few-Shot Learning？

**Few-Shot（少样本学习）** 就是在提示词中给 AI 提供 1-3 个示例，让 AI 理解你想要的输出风格、格式和标准。

类型	示例数	适用场景
Zero-Shot（零样本）	0	简单、通用的任务
One-Shot（单样本）	1	有明确的风格/格式要求
Few-Shot（少样本）	2-3	需要精确控制输出格式或风格

---

什么时候该用 Few-Shot？

场景	不用 Few-Shot	用 Few-Shot
格式控制	JSON 输出字段名猜不对	给一个 JSON 示例，AI 严格遵循
风格模仿	"模仿鲁迅的风格"太抽象	给一段鲁迅原文 + 模仿示例
分类任务	AI 自己定义分类标准	给 3 个已分类示例，AI 学会标准
翻译/改写	"翻译成专业风格"太模糊	给原文→译文的对照示例

---

实战案例

案例 1：JSON 数据提取

**用 Few-Shot 让 AI 输出精确的 JSON 格式：**

从以下会议记录中提取信息，按此 JSON 格式输出：

示例：
{
  "date": "2024-03-15",
  "attendees": ["张三", "李四"],
  "decisions": ["Q2 预算增加 20%", "6 月前上线 v2.0"],
  "action_items": [
    {"owner": "王五", "task": "准备预算方案", "deadline": "03-20"},
    {"owner": "赵六", "task": "制定上线计划", "deadline": "03-25"}
  ]
}

现在请处理以下会议记录：
{会议记录文本}

案例 2：文本分类

将用户反馈分类为：投诉 / 建议 / 询问 / 其他

示例 1：
反馈："你们的 App 又闪退了！严重影响我工作！"
分类：投诉

示例 2：
反馈："如果能加个夜间模式就好了"
分类：建议

示例 3：
反馈："请问你们支持企业微信登录吗？"
分类：询问

现在请分类：
反馈："这个功能太不好用了，每次都要重新登录"

案例 3：风格模仿

请用以下风格回复用户问题：

原文："甲方觉得报价太高，希望再降 10%。但我们成本已经压到最低了。"
回复风格："评估调价空间。明确底线：最多降 5%，附赠 3 个月免费维护。"

原文："项目延期了，客户很不满意。"
回复风格："主动沟通方案。说明延期原因 + 新的时间表 + 补偿措施。"

现在请用同样风格回复：
原文："竞争对手出了个新功能，我们客户在问什么时候有。"

---

Few-Shot 的黄金法则

法则	说明
🎯 覆盖多样性	示例要覆盖不同变体，不要全是一个类型
✨ 质量 > 数量	3 个精心设计的示例胜过 10 个随便写的
🔄 从易到难	先给简单的示例，再给复杂的
📍 放在提示词前部	示例要放在任务描述之前（模型对开头最敏感）
⚠️ 不要过度引导	示例不能太极端，否则 AI 会过度模仿

---

🎯 今日练习

找一个你经常让 AI 做的任务（写邮件、整理数据、翻译等），设计 2-3 个示例，用 Few-Shot 方式写一个提示词，看看效果和零样本有什么不同。