少样本示例
Few-shot Prompting
中级通用少样本示例（Few-shot Prompting）是在提示词里放入少量输入与理想输出的配对例子，让模型照着处理新输入。它能帮你说清分类口径、字段写法等难以只靠一句规则讲明白的要求。
你可能会说：「我想给 AI 看几条已经处理好的样本，让它按同样口径处理新的用户反馈。」
读之前建议先了解
动手看看客服工单的分类提示词
开关示例，再切换新工单，对照左右两栏：少样本示例是把几组输入与理想输出放进提示词，让模型参考着处理新输入。
两组配对同时示范了类别名称、category 和 summary 字段，以及 JSON 写法。新工单沿用这些约定，但摘要要根据新内容生成，不是照抄。
这里的输出是预设对照，不是效果保证。真实使用时要挑有代表性的例子，并验证模型是否稳定遵守类别和字段约定。
要点少样本示例怎样帮助 AI 理解任务？
- 1
把输入和理想输出成对放入
比如你让 AI 给工单分类，可以放两三条工单原文及对应类别，再附上待分类工单。这样它看到的不只是类别名称，还能看到你怎么划分边界。
- 2
挑出最容易判断分歧的例子
如果「无法登录」和「想修改密码」总被混为一类，就各放一条代表性样本。例子之间的差异越清楚，AI 越容易理解你在意的判断依据。
- 3
让示例与当前任务保持一致
示例的字段、语气和分类名称最好与实际输出一致，因为 AI 可能同时模仿内容和格式。给出相互矛盾的示例，反而会让它难以判断该跟哪一条。
容易混淆的地方
少样本示例是随请求放进上下文里的参考，不会像微调那样改变模型本身。它也不等于结构化输出：示例能展示你想要的格式，但如果程序要稳定读取固定字段，还可以配合明确的字段约束与数据校验。
什么时候用
适合用
- 把用户反馈归入自定义类别，而类别边界很难只靠名称讲清时，给 AI 看几条已归类样本。
- 让 AI 将零散需求改写成团队惯用的任务描述，并保持标题、验收条件的写法一致。
- 从客服对话中提取问题与处理结果，尤其是你对「已解决」有特定判定口径时。
不适合用
- 只是让 AI 计算订单总价时，交给程序按价格和数量计算，比提供几道算术示例可靠。
- 需要从大量持续更新的产品文档中查事实时，用检索获取相关原文，而不是靠几条旧示例提供信息。
- 程序必须收到可解析的固定字段时，优先使用结构化输出约束和数据校验；示例不能代替格式检查。
练一练选一个答案，看看解释
你让 AI 把用户反馈分成「故障」和「功能建议」，它却常把「希望登录更快」判为故障。接下来怎么做更合适？
让 AI 帮你做复制给 AI Agent 直接用
请用少样本示例帮我设计一段用户反馈分类提示词。类别是「故障」和「功能建议」。先给出三组输入与理想输出，覆盖容易混淆的边界情况，再留出一处供我填入新反馈；类别名称保持一致。