2.4 少样本学习：AI 的"举一反三"

如果把编写 System Prompt 比作编写“职位描述”，那么 Few-Shot Prompting (少样本提示) 就是在进行“岗前培训”。

通过向 Claude 展示几个“完美案例”，无需费力解释抽象规则，就能让模型迅速领悟意图。这被称为 In-Context Learning (上下文学习)。

2.4.1 原理：从模仿到泛化

LLM 是强大的模式识别引擎。当提供示例（Shots）时，Claude 实际上在做两件事：

1. 格式模仿：识别输入和输出的结构（JSON, Markdown, XML）。

2. 逻辑泛化：分析从 Input 变到 Output 的潜在逻辑规则。

Shot 的数量级

类型	数量	适用场景
Zero-Shot	0	简单任务，通用常识（“把这段话翻译成英文”）
One-Shot	1	需要强制规定特定格式 / 风格
Few-Shot	3-5	复杂任务，边缘情况多，需要很难用语言描述清楚的逻辑
Many-Shot	50+	极高难度的分类任务、微调级别的风格模仿（利用长上下文窗口）

2.4.2 标准构造范式

推荐使用 XML 标签 <examples> 包裹示例。

基础结构

<system_prompt>
    ...
</system_prompt>

<examples>
    <example>
        <input>苹果</input>
        <output>红色，圆形，水果</output>
    </example>
    <example>
        <input>天空</input>
        <output>蓝色，广阔，自然现象</output>
    </example>
</examples>

<user_input>
    消防车
</user_input>

黄金法则：多样性覆盖

示例集必须覆盖任务的 边界情况 (Corner Cases)。

• Bad Set: 3个示例全是简单的正面情况。

• Good Set:

  • Ex 1: 简单标准情况。

  • Ex 2: 复杂情况（输入很长）。

  • Ex 3: 异常情况（输入缺损，输出报错）。

  • Ex 4: 干扰情况（输入包含无关信息，输出需忽略）。

2.4.3 进阶技巧

格式强化

有时即使写了 “Output valid JSON”，模型还是会啰嗦 “Here is the JSON...”。 通过 Few-Shot，直接展示 JSON Only 的输出，Claude 就会乖乖闭嘴。

<example>
    <input>张三, 25岁</input>
    <output>{"name": "张三", "age": 25}</output>
</example>

思维链演示

如果希望 Claude 在推理时必须展示步骤，不要只在 System Prompt 里说。在示例里直接写出来。

<example>
    <question>如果我把一块 20度的铁扔进 80度的水里，会发生什么？</question>
    <answer>
    <thinking>
    1. 铁比水的比热容小。
    2. 热量会从高温物体传向低温物体。
    3. 最终两者会达到热平衡。
    4. 平衡温度会在 20 到 80 度之间。
    </thinking>
    热量会从水传递给铁，铁变热，水变冷，最终两者温度一致。
    </answer>
</example>

负面示例

告诉 Claude “不要做什么”往往很难，不如直接演示“错误的做法”以及“如何修正”。

<example>
    <input>把这个以 CSV 格式输出：A,B,C</input>
    <wrong_output>A, B, C</wrong_output> <!-- 模型常犯错误：加了多余空格 -->
    <correct_output>"A","B","C"</correct_output> <!-- 我们期望的标准CSV -->
</example>

(注：这种写法需要配合说明，明确告诉模型哪个是错的。)

2.4.4 Many-Shot Prompting

这是 Claude 长上下文能力的特有玩法。 如果你的任务很难（例如：将自然语言转为一种极其晦涩的内部 DSL 查询语言），提供 3 个例子根本不够。 可以利用 Claude 的 200k 窗口，一次性塞入 50-100 个 高质量的 Input-Output 对。

效果惊人：根据 Anthropic 的研究，Many-Shot 在某些复杂任务上的表现可以媲美经过 Fine-tuning（微调）的模型，但无需任何训练成本。

2.4.5 动态示例库

在生产环境中，可能有 1000 个完美的示例，但不能每次都全部发给模型（Token太贵）。 最佳实践是建立一个 动态示例库：

1. Embed: 将 1000 个示例的 input 转化为向量并存入向量数据库。

2. Retrieve: 当用户发来新问题 Q 时，先去库里搜最相似的 5 个示例。

3. Construct: 将这 Top-5 示例动态插入 System Prompt 的 <examples> 插槽中。

4. Generate: 发送给 Claude。

这种方法大大提升了针对特定问题的回复准确率。

---

掌握了 Few-Shot，已经能够解决 90% 的格式和风格问题。但面对复杂的逻辑推理难题，还需要一把更锋利的武器 —— 让 AI “慢下来思考”。

➡️ 链式思维 (Chain of Thought)