Few-shot 深入：少样本示例的科学与艺术

为什么给示例有效

大模型具备上下文学习（In-Context Learning）能力：无需更新参数，仅从提示词中的示例识别出"任务模式"并照着做。示例的本质是用数据定义任务——比文字描述更精确。

示例选择的四个准则

• 覆盖典型场景：每类常见输入至少一个示例；
• 覆盖困难边界：最容易出错的 case（如"退款中的换货"）值得单独示例；
• 格式严格一致：输入输出的排版、标点、字段顺序完全统一，模型会照抄格式；
• 数量 3~5 个起步：太多挤占上下文且边际递减，太少覆盖不足。

顺序敏感与动态选择

• 模型对示例顺序敏感：与当前输入相似度高的示例放最后（近因效应）；
• 动态 Few-shot：示例库较大时，按当前输入的向量相似度实时挑最相关的 k 条（LangChain 的 SemanticSimilarityExampleSelector），兼顾效果与 token 成本 —— 这本质上就是 RAG 思想用在示例上；
• 对比示例：给一组"错误示范 + 为什么错 + 正确做法"，对易混淆任务效果显著。

何时不需要 Few-shot

指令足够清晰、任务模式常见（翻译、摘要）时，Zero-shot 即可，省 token 又省维护成本。判断标准：先跑 zero-shot，哪里错补哪个场景的示例。