> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/claude_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/claude_guide/di-yi-bu-fen-ji-chu-pian/02_prompt/2.4_few_shot.md).

# 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

```xml
<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。

```xml
<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。**

```xml
<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”。

```xml
<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 最新版本的 1M token 窗口，一次性塞入 **50-100 个甚至更多** 高质量的 Input-Output 对。

**效果惊人**：根据 [Google DeepMind 的 Many-Shot In-Context Learning 研究](https://arxiv.org/abs/2404.11018)，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”。

➡️ [思维链 (Chain of Thought)](/claude_guide/di-yi-bu-fen-ji-chu-pian/02_prompt/2.5_cot.md)