In-Context Learning 是什么？
In-Context Learning（上下文学习）是大型语言模型的一种能力，它允许模型在推理阶段通过给定的少量示例或指令直接执行新任务，而无需更新模型参数。这种“即时学习”方式显著降低了使用门槛，用户只需在输入中提供几个例子，模型就能理解并模仿模式完成任务。
一句话解释
In-Context Learning 是指大语言模型在不更新自身参数的情况下，仅通过输入中的若干示例或自然语言指令，就能理解任务并生成符合要求输出的能力。简单说，就是让模型在对话时“现学现卖”，靠几个例子立刻学会新技能。
为什么会被关注
传统机器学习需要大量标注数据和耗时训练才能适应新任务。而 In-Context Learning 只需提供几个示例就能让模型“学会”，极大降低了AI应用的门槛和成本。这对非技术用户尤其友好，因为他们不需要掌握模型训练知识，只需在输入中写几个例子就能获得精准输出。
此外，该能力推动了大模型“可交互、可定制”的发展方向。开发者可以快速构建原型、测试新功能，甚至实现一次性任务自动化。它也成为提示工程（Prompt Engineering）的核心基础之一，催生了大量基于少量示例的AI应用创新。
核心逻辑
In-Context Learning 依赖于大模型在预训练阶段从海量文本中学习到的模式与规律。当用户在输入中给出若干示例时，这些示例构成了一个“隐式上下文”，模型会将其视为一个连贯的模式序列，并预测下一个最可能的输出。
这一过程并不改变模型的权重参数，而是利用注意力机制让示例中的映射关系（如输入A→输出B）影响后续生成。模型通过识别示例间的相似性自动推断任务规则，因此示例的数量、质量和顺序都会显著影响学习效果。
常见场景
文本分类：向模型展示几封垃圾邮件和正常邮件的例子，让模型自动分类后续邮件。翻译：给模型几个“英文→法文”的例句，模型便能翻译新的英文句子。代码生成：提供一段输入（如注释）和对应代码的样例，模型即可按要求编写类似代码。
对话系统：在聊天中提供若干轮对话范例，让模型模仿语气和回答风格。数据转换：例如给出几条JSON格式的输入，要求模型输出Excel表格格式，只需展示一两个转换示例，模型就能完成批量转换。
容易混淆的点
In-Context Learning 不等于微调（Fine-tuning）。微调需要更新模型参数并花费计算资源，而上下文学习只在推理时生效，不改变模型本身。两者本质不同：一个是“临场发挥”，一个是“长期训练”。
它也不等同于零样本学习（Zero-shot Learning）。零样本完全不提供示例，仅凭指令；而上下文学习至少需要一个示例（即少样本学习）。另外，过长或不当的示例可能导致模型“跑偏”，与真正的学习机制有区别，更多是模式匹配而非概念性吸收。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词少样本学习是一种让模型仅通过少量标注样本就能掌握新概念或完成新任务的机器学习方法，大幅降低了对海量标注数据的依赖，特别适合数据稀缺或快速迭代的场景。
LLM（大语言模型）是一种基于海量文本数据训练、能够理解、生成和推理自然语言的深度学习模型。它通过预测下一个词的机制，掌握了语言的统计规律和世界知识，成为当前生成式AI应用的核心基础。
零样本学习（Zero-Shot Learning）是一种机器学习范式，模型通过训练时见过的类别与未见过类别之间的语义关联（如属性、描述文本），实现对新类别的识别，无需任何该类的训练样本。它突破了传统监督学习需要大量标注数据的限制，在开放世界场景中具有重要价值。