给例子比讲道理管用

少样本示例的用法与陷阱：给几个、给什么样的、什么时候反而有害。

这可能是提示词里性价比最高的一招：**与其用形容词描述你要什么，不如直接给一个「就照这样」的样本。**业内管这叫少样本示例（few-shot）。OpenAI 的提示词文档也把它列为最有效的手段之一。openai-prompt

你会遇到的现象：

• 你写了「专业、简洁、有亲和力」，它给的东西还是不对味
• 为了描述清楚风格，提示词越写越长，效果反而更飘
• 你能一眼看出哪个输出是对的，却说不清标准是什么

为什么例子这么有效

因为形容词是压缩过的信息，而且每个人解压出来的结果都不一样。

「专业」是什么意思？用不用行业术语？句子长短？要不要称呼对方？出问题要不要道歉？——你说「专业」时脑子里有一个具体的样子，但那个样子没传出去。模型只能按语料里「专业」最常见的写法来办，取了个平均值。

一个例子就不一样了。一条输入配一条输出，里面同时携带句子长度、有没有称呼、先说结论还是先共情、道歉用什么措辞、要不要给时间承诺——全部隐含要求，一次性传达完毕，没有歧义。

还有一层机制上的原因。模型做的事是延续已有的文本：看到「输入 A → 输出 A′」「输入 B → 输出 B′」的模式，再看到「输入 C →」，最自然的延续就是产出风格对齐的 C′。**你不是在教它，是在给它一个模式往下填。**Anthropic 的提示文档同样把示例列为最基础的技巧之一。anthropic-prompt

给几个、给什么样的

数量：2 到 5 个是多数场景的甜点。

一个例子往往不够——模型分不清哪些特征是「必须照做」，哪些只是碰巧。两三个之后共同点就凸显出来，再往上加收益迅速递减，而每个例子每轮都要重发，成本是实打实的。

**挑什么样的例子，比给几个更重要。**三条原则：

**一、覆盖不同情况，别都是同一类。**如果你的例子全是简单场景，遇到复杂输入它就懵了。挑一个典型的、一个稍复杂的、一个边界情况。

**二、包含它怎么处理「不知道」的情况。**这一条特别有用。给一个「没有相关信息 → 输出：材料中未提及」的例子，比在限制里写十遍「不要编造」都管用，是防幻觉最实在的一招。

**三、例子必须是对的。**听起来是废话，但很多团队的示例是随手编的，格式不统一、甚至本身就有错。模型会忠实地学到那个错。

格式上用结构把例子和指令分开，输入输出用固定标记标清，别让它分不清哪句是例子。

三个陷阱

**陷阱一：例子的偏差会被放大。**这是最常踩的。三个例子恰好都是两句话——它就再也不写三句，哪怕这次输入明显需要更多说明；例子都是负面反馈——遇到正面的它也可能照负面调子回。模型分不清哪些特征是你有意为之，哪些是巧合。所以例子要有意识地保持多样性，尤其在长度、语气、结论方向上。

**陷阱二：分类任务里的顺序和比例效应。**做分类打标时，四个例子是 A 类、一个是 B 类，模型会隐隐倾向多判 A；排列顺序也有影响，尤其是最后一个。做法：各类别数量尽量均衡，顺序打散，别把同类排在一起。

陷阱三：例子成了没人敢动的一坨。 例子一多，提示词就长了。半年后有人想改一条要求，发现改完会跟某个例子矛盾，但没人记得那个例子为什么长那样。这属于提示词资产管理的问题，最好给每个例子附一句注释：它是为了防哪个问题加进来的。

什么时候不该给

例子好用，但不是所有场景都该加。三种情况可以不给。

**一、任务本身极其标准。**翻译、语法纠错这类任务，模型见过的样本比你给的多得多，例子帮不上忙，只是烧钱。

**二、你要的是多样性。**做创意发散、头脑风暴时，例子会把它框住——它会不自觉地往你的例子上靠。这种场景反而应该少给例子，把温度调高。

**三、格式已经能被硬约束住。**只是想要固定的 JSON 结构，用格式参数强制比塞例子更可靠也更省。例子该传达风格和判断标准，不是凑格式。

最后一条通用建议：**例子该来自真实数据，不该是你现编的。**从实际用户输入里挑几条，配上你认可的标准答案。这既保证真实性，也顺便成了迭代时的测试样例——这两件事本来就该是同一份东西。