提示词 · Few-shot

示例比形容词更能定义标准

说「语气要专业」没有用,给两个专业与非专业的对照,模型立刻就知道边界在哪。

示例怎么给

  1. 数量:2–5 个足够,覆盖边界情况比堆数量重要;
  2. 选择:优先选「容易出错的样本」,而不是最简单典型的;
  3. 顺序:把最接近本次任务的示例放在最后;
  4. 对照:正例与反例成对给出,边界会更清晰。

示例结构

prompttext
把用户评论归类为:好评 / 差评 / 中评。

示例 1:
输入:物流很快,包装完整,就是有点贵
输出:中评

示例 2:
输入:用了三天就坏了,客服也不理人
输出:差评

示例 3:
输入:一般般吧,能用
输出:中评

示例 4(易错):
输入:东西是不错,但和描述不太一样
输出:中评
说明:出现"但"并指向产品问题时,按中评处理,不按好评。

待分类:
输入:{{comment}}

什么时候不该用示例

  • 任务本身很明确(翻译、格式化):示例反而增加 token 成本;
  • 示例会引入偏差:只给正面示例,模型会把所有输入都判为正面;
  • 输出结构复杂时:改用 JSON Schema 或函数调用定义结构,比用示例更稳。

常见问题

Few-shot 一般给几个例子?

2–5 个即可,重点覆盖易错边界;数量堆多了收益递减,还增加输入成本。

示例会导致模型偏向某一类吗?

会,示例分布不均会引入偏差;正例反例搭配给出,并定期用真实样本评估。