Few-shot Prompting 少样本提示：用少量示例让AI秒懂你的需求
Few-shot Prompting（少样本提示）是一种通过提供少量输入-输出示例，引导大语言模型理解任务并生成符合预期的结果的策略。它介于零样本提示和微调之间，能有效提升模型在特定任务上的表现，同时节省标注成本。
一句话解释
Few-shot Prompting 就是在向AI提问时，先给它几个“问题-答案”的例子，让它照着样子的格式和逻辑来回答你真正想问的问题。比如你想让AI把电影评论分成“好评”“差评”，可以先写两条示例，再给出新评论让模型模仿分类。
为什么会被关注
传统机器学习需要大量标注数据训练模型，而大语言模型通过Few-shot Prompting无需更新参数就能快速适配新任务。它大幅降低了使用门槛，用户只需写几个例子就能让模型理解复杂的指令。企业可以低成本验证模型在特定垂直场景的可行性，因此备受开发者与产品经理关注。
核心逻辑
大语言模型在预训练阶段已经学习了海量文本规律，Few-shot Prompting利用了模型的“上下文学习”能力——把示例放在提示词中当成上下文，模型会自动捕捉示例中的映射关系。示例数量通常为1到5个，过多会导致上下文窗口溢出，过少则可能让模型理解不准确。
关键在于示例的格式、顺序和内容需具有代表性。举例时最好覆盖不同变体，如正面/负面案例，或不同句式。模型通过对比示例间的模式，推理出当前任务的规则，再应用到新输入上。这种机制无需梯度更新，纯粹依靠注意力的泛化能力。
常见场景
文本分类：给模型2-3条垃圾邮件和正常邮件的分类示例，然后让它判断新邮件是否属于垃圾邮件。代码生成：提供一段输入表和输出SQL的示例，模型即可生成对应查询语句。翻译任务：给出“hello→你好”“bye→再见”的对照，模型会按同样模式翻译其他单词。
客服话术匹配：用几个典型用户问题与回答示例，让模型为新问题匹配最佳回复。内容摘要：给出原文与摘要的示例对，模型学会后能为新文章生成格式一致的摘要。Few-shot Prompting还能与思维链结合，通过带推理步骤的示例提升复杂推理的准确性。
容易混淆的点
Few-shot Prompting与微调（Fine-tuning）不同：前者不修改模型权重，仅在输入中放入示例；后者需要大量标注数据训练模型，成本更高但性能更稳定。不要把它和零样本提示混淆——零样本不给任何示例，完全依赖模型先验知识，效果通常弱于少样本。
另外，Few-shot Prompting并不总是越多示例越好。超过10个示例可能因上下文窗口限制而被迫截断，或引入无关噪声导致模型困惑。示例质量远比数量重要，精心挑选一个覆盖边界情况的示例，可能比随意加五个效果更好。
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。
上下文学习是大语言模型的一种关键能力，指模型仅根据输入提示中的少量示例（上下文），就能理解并执行新任务，而无需更新其参数或进行额外的训练。它让AI具备了类似人类的“举一反三”和即时学习能力。
大语言模型是一种基于海量文本数据训练的人工智能模型，能够理解、生成和推理人类语言。它通过深度学习技术，学习语言的统计规律和语义关联，从而完成对话、写作、翻译等多种任务，是当前生成式AI浪潮的核心驱动力。
微调是一种利用特定领域数据对预训练大模型进行针对性再训练的技术，旨在提升模型在特定任务上的性能与适应性，是实现AI应用落地的核心环节。