#提示词工程 #Few-Shot #大模型 #结构化输出
同样的任务，普通提示词输出飘忽不定，加上三五个示例后立刻稳定——这是 Few-Shot（少样本）提示词最直观的威力。原理并不神秘：大模型在预训练阶段就是从海量「输入→输出」示例里学会任务的，你在提示词里给示例，等于把任务映射回它最熟悉的形态。本文讲透 Few-Shot 的三个作用、示例选取三原则，并给出三套经过实战验证、可直接复制的模板与检查清单。
零样本指令（Zero-Shot）要求模型「先理解规则再执行」；Few-Shot 则是直接给「照着做」的样例。两者的差距体现在三个层面：
一句话概括：指令规定「不能做什么」，示例规定「输出应该长什么样」。对追求稳定交付的 Agent 任务，示例是性价比最高的约束手段。
模型最容易在边界情况翻车。所以示例里至少要有一个「难例」：格式特殊、输入残缺、意图模糊或包含陷阱。一个处理过边界的示例，胜过三个顺风顺水的标准答案。
在输出类任务中，给出「错误示例 + 错在哪」往往比三条正确示例更能压低错误率，尤其是格式类错误。注意两点：反例数量要少于正例；反例必须放在示例列表末尾，避免模型反向学到错误模式。
示例顺序影响学习效果。先给简单样例建立基本格式，再给复杂样例展示处理手法，最后放反例收尾。这与人类学习新技能的认知顺序一致，模型同样受用。
结构化输出是 Agent 场景的刚需。下面的模板用「代码块包裹 + 三个正例 + 一个反例」锁定格式，比任何格式说明都可靠：
任务：把用户反馈整理成 JSON，字段：id、category、sentiment、summary。
示例：
输入：App 打开就闪退，气死了
输出：{"id": 1, "category": "bug", "sentiment": "negative", "summary": "App 启动即闪退"}
输入：希望能支持深色模式，晚上用太刺眼
输出：{"id": 2, "category": "feature_request", "sentiment": "neutral", "summary": "请求支持深色模式"}
输入：充值后余额没到账，联系客服也没回复
输出：{"id": 3, "category": "billing", "sentiment": "negative", "summary": "充值未到账且客服无响应"}
注意：category 只能是 bug / feature_request / billing / other 之一。
反例（错误）：
输入：谢谢你们，很好用
输出：{"id": 4, "category": "praise", "sentiment": "positive"}（错误：category 枚举外 + 缺少 summary）
正确：{"id": 4, "category": "other", "sentiment": "positive", "summary": "整体满意"}
现在处理：输入：账号密码都对，但一直提示登录失败模板要点：枚举值在示例后单独用一行「注意」重申，反例放在最后并给出错误原因，最后用「现在处理：」显式交接任务。这套结构在大多数模型上都能把 JSON 解析失败率压到接近零。
风格是最难用规则描述的东西，但三个示例就能锁定。给客服话术或产品文案做风格统一时，用这个模板：
任务：把技术描述改写成「朋友式的产品文案」，语气亲切、短句为主、不使用术语。
示例：
技术：该模块通过 WebSocket 实现实时数据推送
文案：数据一到，秒级送达，不用刷新页面
技术：系统支持基于角色的细粒度权限控制
文案：谁看什么、能改什么，你说了算
技术：已完成数据库层的读写分离优化
文案：人多了也不卡，读写在后台各自忙活
现在改写：技术：本平台采用端到端加密传输协议保障数据安全要点：正例之间保持同一种语气与句式节奏，难度不递增也没关系（风格任务的关键是「一致性」而非「复杂度」）。若目标风格更具体（如「小红书风」「学术风」），把示例换成对应风格的成品即可。
让模型写代码时，Few-Shot 能同时约束「用的库」「命名风格」和「错误处理」，比在提示词里写十条规则更省 token、更有效：
任务：写 Python 函数实现给定需求。约定：只用标准库、函数名用 snake_case、必须处理输入为空的情况。
示例：
需求：计算列表平均值
代码：
def avg(nums):
if not nums:
return 0.0
return sum(nums) / len(nums)
需求：统计字符串里每个字符出现次数
代码：
def char_count(s):
counts = {}
for ch in s:
counts[ch] = counts.get(ch, 0) + 1
return counts
现在写：需求：把字典按 value 降序排序，返回前 k 个键模型会从示例里学到「先判空、用标准库、带类型直觉」的隐性规范，输出风格与示例高度一致，大幅减少 review 成本。