few-shot-patterns

少样本模式

少样本提示通过提供输入-输出对示例来展示期望行为。AI 会从示例中学习模式，并将其应用于新的输入。示例的质量直接决定输出的质量。

示例为何有效

示例能够传达仅靠指令无法传达的内容：

• 隐含模式：AI 无需明确告知，就能从示例中理解格式、风格和推理模式
• 消除歧义：当指令可能有多种解释时，示例可以展示你期望的解释
• 质量校准：示例为输出的质量、长度和深度设定标准
• 边界情况处理：棘手案例的示例能教会 AI 如何处理类似情况

示例设计原则

多样性：示例应涵盖不同场景，而不是重复同一类型

• 包含简单案例、困难案例和边界案例
• 改变输入的格式和内容
• 如适用，展示不同的有效输出格式 清晰度：每个示例都应展示一种明确的模式
• 避免可能有多种解释的示例
• 让输入到输出的对应关系一目了然
• 去除示例之间无关的差异 质量：示例决定输出质量的上限
• 每个示例都应达到你愿意发布的水平
• 如果示例有缺陷，AI 也会照样复现
• 投入时间精心设计示例——它们比指令更有价值 排序：示例的位置很重要
• 将最具代表性的示例放在最前面
• 将边界案例放在常见案例之后
• 以最接近期望输入类型的示例收尾

示例数量

• 零样本：没有示例。完全依赖指令。适用于简单且广为人知的任务。
• 单样本：一个示例。模式简单明了时就足够。
• 少样本（3-5 个）：多个示例。最适合复杂模式或对质量有细致要求的任务。
• 多样本（5 个以上）：收益递减，但适用于变化极多的任务或一致性至关重要的场景。 在示例数量与上下文窗口成本之间取得平衡。示例越多，留给其他上下文的空间就越少。

反模式

• 相同示例：所有示例基本相同，无法展现任何变化
• 只有完美示例：没有展示如何处理不完美输入或边界情况的示例
• 相互矛盾的示例：示例展示了不一致的模式
• 低质量示例：粗糙的示例会产出粗糙的结果
• 过时示例：示例已无法反映当前要求

设计产物

• 按任务类型划分的示例库
• 示例质量评估标准
• 示例选择指南
• 示例维护与更新计划
• 示例有效性测试结果