给 AI 举个例子：Few-shot 提示词，比说一百句要求都管用
描述半天 AI 还是不对味？不如直接给它看一两个例子。这篇讲清 Few-shot（给例子）为什么比讲要求管用、怎么写出好例子、哪些任务最该用，以及和人设、思维链的组合技。
有个提示词技巧,效果立竿见影,但很多人从来没用过:与其费尽口舌描述你想要什么,不如直接给 AI 看一两个例子。你会发现,同样的任务,光靠文字形容它总是差点意思;而你把"我要的长这样"摆在它面前,它立刻就对了。这个技巧有个专门的名字——Few-shot(少样本)提示,也就是"给例子"。这篇讲清楚:为什么给例子比讲要求管用、Few-shot 是什么、怎么写出好例子(含可套用模板)、哪些任务最该用、以及要避开的坑。这是继"给 AI 设人设"和"让它一步步想"之后,最值得掌握的第三个基本功。
先看差距:描述 vs 示范
假设你想让 AI 帮你把产品卖点改写成短标题。你可能会这么说:
"请帮我把下面的产品卖点改写成简短有吸引力的标题,要口语化、有网感、不要太夸张。"
结果多半是:它给的东西"看起来没错,但就不是你想要的味道"。你只能不断补充"再短一点""别这么正式""不要用感叹号"……来回好几轮。
换个做法,直接给它两个例子:
"请照下面的风格改写:
原文:采用高密度海绵填充,久坐不易变形 → 标题:坐一天,还是那么弹
原文:内置四层过滤网,过滤效率达 99% → 标题:四层拦住,连细的都不放过
现在改写这条:[你的卖点]"
一次就对了。因为例子里同时藏着长度、句式、语气、标点习惯——这些你用文字描述半天也说不全的东西,例子一次性全给到了。
核心洞察:语言描述的是"抽象要求",例子展示的是"具体成品"。AI 特别擅长从例子里总结规律并模仿。所以——能给例子,就别光讲要求。
Few-shot 是什么
Few-shot(少样本提示),就是在提问时附上少量"输入 → 输出"的示范,让 AI 照着这个模式来处理你的新任务。按给几个例子,业内有几个对应的叫法:
| 叫法 | 做法 | 适合 |
|---|---|---|
| Zero-shot（零样本） | 不给例子，直接下指令 | 简单、通用的任务 |
| One-shot（单样本） | 给 1 个例子 | 格式明确、风格不复杂 |
| Few-shot（少样本） | 给 2~5 个例子 | 风格和规则较细腻，最常用 |
实践中,2~3 个例子往往就是性价比最高的选择:足够让它归纳出规律,又不至于把对话撑得太长。
怎么写出好例子:四条原则
- ① 例子要"正是你想要的":AI 会忠实模仿你给的东西,包括你例子里的毛病。例子写得潦草,输出也潦草。宁可花两分钟打磨一个好例子,也别随手丢三个凑数的;
- ② 格式要统一:每个例子都用相同的结构(比如都写成"原文:… → 标题:…"),让规律一眼可见。格式混乱,它就抓不住你的意图;
- ③ 例子之间要有变化:如果两三个例子太像,它可能学到一个过窄的规律。让例子覆盖不同情况(长的短的、正面负面),它归纳出的规律才稳;
- ④ 把边界情况也示范一次:如果有特殊规则(比如"遇到没有数字的卖点就换一种写法"),专门给一个这种情况的例子,比用文字解释规则有效得多。
可直接套用的模板:
"请按照下面的示例完成任务。
示例1:输入 → 输出
示例2:输入 → 输出
示例3:输入 → 输出
现在处理:[你的新输入]"
就这么朴素,但效果往往比写一大段要求好得多。
哪些任务最该用 Few-shot
- 格式化输出:要它按固定格式整理信息(比如统一整理成"姓名|职位|联系方式"),给一个样例胜过千言万语;
- 风格模仿:让它按你的语气写东西——把你以前写的两段贴过去当例子,比说"请口语化一点"精准得多;
- 分类打标:要它把一堆内容分类,先给几个"这条属于 A 类、那条属于 B 类"的示范,标准立刻统一;
- 数据清洗和转换:把杂乱的地址、日期、名称统一成标准格式,例子就是最好的规则说明;
- 批量生成同类内容:标题、文案、题目——先定一个好样板,再批量产出,质量整齐得多;
- 翻译/改写的特定偏好:某些术语你希望固定译法,例子里体现一次,它后面就会遵守。
三个组合技:和其他技巧一起用
- 人设 + 例子:先用角色设定定基调("你是资深文案"),再用例子定具体形态。一个管方向,一个管落地,配合最好;
- 例子 + 一步步想:对需要推理的任务,例子里不只给答案,把推导过程也写出来——相当于示范思维链该怎么走,它会照着这个思路推理,准确率更高;
- 让它自己造例子:如果你也说不清想要什么,可以反过来:"请先给我 3 个不同风格的样例,我选一个,你再照它批量做。"——先选后做,省掉大量返工。
要避开的坑
- 例子给多了不一定更好:超过五六个,收益会明显递减,还会占用大量上下文,把真正的任务挤到后面。2~3 个通常就够;
- 小心它"只会照抄":如果例子过于单一,它可能生硬套用,连不该套的地方也套。发现这种情况,就增加例子的多样性,或补一句"可根据内容灵活调整";
- 别把敏感信息写进例子:很多人图省事,直接拿真实的客户资料、内部数据当例子——记得先脱敏;
- 例子错了,输出全错:它不会质疑你的示范。例子里的事实性错误、格式错误,会被原样继承和放大,给之前自己先检查一遍。
小结
- 核心洞察:描述讲的是抽象要求,例子给的是具体成品——AI 极擅长从例子中归纳并模仿,能示范就别光描述;
- Few-shot=在提问时附上少量"输入→输出"示范;实践中 2~3 个例子性价比最高;
- 好例子四原则:正是你想要的、格式统一、彼此有变化、边界情况也示范一次;
- 最适合:格式化输出、风格模仿、分类打标、数据清洗、批量生成、固定译法;
- 组合技:人设定方向 + 例子定形态、例子里示范推理过程、让它先造样例你来选;避坑:别给太多、防生硬照抄、例子要脱敏、例子错了输出全错。
写提示词这件事,很多人一直卡在"怎么把要求说清楚"上——绞尽脑汁形容,却总差一口气。而 Few-shot 换了个思路:不用说清楚,做给它看就行。这个转变,往往能让你从"反复调整还是不满意",一步跨到"第一次就基本对了"。下次再遇到 AI 老是给不对味的输出,先别急着解释——停下来,给它看一个例子。
本文为「读懂 AI」原创,仅作经验分享。示例中的错误会被 AI 继承放大,给出前请自行检查;涉及真实客户或内部数据时,请先做好脱敏。
