少样本提示示例2026
只用2-3个例子就能大幅改变LLM输出格式和风格。
💡 你将学到
只用2-3个例子就能大幅改变LLM输出格式和风格。
少样本提示示例 2026：无需训练即可教授 LLM 的技术
少样本提示是指直接将期望的输入-输出行为示例放入提示中。这是控制格式、语气和推理风格最经济的方式——无需微调、无需训练数据，只需上下文即可。
为什么有效
LLM 非常擅长从上下文中进行模式匹配。两到三个精心挑选的示例就像一份风格指南：模型会推断出转换规则，并将其应用于新的输入。这项技术在 GPT-3 论文（Brown 等人，2020 年）中被正式提出。
示例 1：格式控制
从发票中提取公司、金额和日期。 发票："Acme Corp, $1,240.50, due 2026-08-15" 输出：公司：Acme Corp | 金额：$1240.50 | 日期：2026-08-15 发票："Globex LLC, $89.00, due 2026-09-01" 输出：公司：Globex LLC | 金额：$89.00 | 日期：2026-09-01 发票："Initech, $4,500, due 2026-08-30" 输出：
示例 2：带解释的情感分析
对评论情感进行分类，并用一句话解释。 "电池两小时就没电了" -> 负面：电池续航太差。 "超爱屏幕亮度" -> 正面：显示质量备受好评。 "能用但设置过程很混乱" -> 混合：功能可用，但上手体验差。 "物超所值" -> 正面：性价比高。 "用了一周就出现划痕" ->：
示例 3：代码生成风格
将英文转换为 Python，并使用类型提示。 "添加一个带邮箱和姓名的用户" -> def add_user(email: str, name: str) -> None: ... "按 ID 获取用户" -> def get_user(user_id: int) -> User | None: ... "删除所有非活跃用户" ->：
最佳实践
| 规则 | 原因 |
|---|---|
| 2-5 个示例 | 信号足够，token 消耗少 |
| 示例多样化 | 覆盖边界情况 |
| 示例匹配目标领域 | 与真实输入使用相同词汇 |
| 将示例放在真实查询之前 | 模型对后文上下文权重更高 |
| 保持输出格式一致 | 模型会复制该模式 |
常见问题
少样本 vs 零样本？ 零样本 = 无示例；少样本 = 2-5 个示例。在格式敏感的任务上，少样本更胜一筹。
少样本 vs 微调？ 微调改变模型；少样本改变提示。少样本即时且免费，微调适用于提示成本会累积的高批量生产场景。
示例会消耗多少 token？ 每个示例大约 50-200 个 token——对大多数 API 来说可以忽略不计。
相关文章
❓ 常见问题
少样本 vs 零样本？
零样本 = 无示例；少样本 = 2-5 个示例。在格式敏感的任务上，少样本更胜一筹。
少样本 vs 微调？
微调改变模型；少样本改变提示。少样本即时且免费，微调适用于提示成本会累积的高批量生产场景。
示例会消耗多少 token？
每个示例大约 50-200 个 token——对大多数 API 来说可以忽略不计。
本站文章由编辑人工撰写，收录的工具均经过实测或公开资料核验。文中链接指向工具官网或 GitHub 仓库，仅作信息参考，不构成付费推广。
