Few-Shot少样本提示

Few-Shot（少样本提示）是 ICL（In-Context Learning，上下文学习）的具体实现方式之一，通过在 Prompt 中提供 3～5 个高质量的输入-输出示例，引导模型按照预期的格式与逻辑产出结果。

三种级别

类型	示例数量	适用场景
0-shot	0 个示例	通用任务，模型已有足够训练
1-shot	1 个示例	有格式要求，但示例获取成本高
Few-shot	2～5 个示例	有特定格式、风格或业务逻辑要求

ICL 工作原理

ICL 的核心思想：在上下文（Prompt）中提供若干个任务示例（"上文示例"），让模型基于这些示例理解任务并对新的输入（查询）给出输出。

对应四象限中的投喂场景：我知道（专有知识 / 格式标准），AI 不知道 → 人教，AI 学。

典型用法示例

示例：将工程师版更新日志改写为面向 C 端用户的版本通告

你是一个产品文案助手。请将工程师写的更新日志，改写为面向C端用户的版本通告，
要求：去技术化、突出用户价值、语气活泼。

参考以下示例：

工程师版：优化了首页feed流的推荐算法，引入实时行为信号，CTR提升约8%。
用户版：✨首页推荐更懂你了！现在刷到的内容越来越合心意~

工程师版：修复了Android端在低内存设备上后台进程被频繁kill导致推送丢失的问题。
用户版：📨通知不再"失踪"！老款安卓手机也能稳稳收到消息啦。

现在请改写：
工程师版：重构了搜索模块的索引结构，支持中文分词与拼音模糊匹配，搜索准确率提升15%。
用户版：

关键要点

示例质量 > 示例数量，3 个高质量示例优于 10 个普通示例
示例要覆盖核心的格式、语气、边界情况
可用于"投喂"专有知识：业务规则、内部术语、特定格式要求
与 SFT 的区别：Few-Shot 不改变模型权重，只在推理时提供示例；SFT 需要重新训练

PM 怎么用 / 何时用

当输出格式严格、风格难描述或分类边界模糊时，优先加 2-5 个 Few-Shot 示例，而不是先想着微调。
准备示例时把好质量关：覆盖核心格式/语气/边界 case，3 个高质量样例胜过 10 个普通样例。
决策"投喂还是训练"时记住：Few-Shot 不改权重、推理时即生效、成本低；只有规模化稳定需求才升级到 SFT。