少样本示例（Few-shot）在上下文工程中怎么用？

1. 作用机制

• 少样本示例是在真实请求前提供 2 至 5 个输入—输出样例，模型通过上下文学习（In-Context Learning）即时归纳模式，无需训练或微调
• 它同时向模型传递输出格式、细节层级与隐含的边界判断，往往在结构化任务上比单纯指令更有效
• 当指令与示例冲突时，示例通常胜出，因此示例质量比数量更重要

2. 适用场景

• 输出有固定结构（如 JSON 键、Markdown 表格、指定条数列表）时，给出几个样例即可对齐格式
• 任务涉及难以文字化但易于示范的判断（如情感分类、严重程度评级）时，示例优于长段描述
• 需要在多次输出间保持一致语感，或同一提示将以不同输入高频执行时，少样本能稳定行为

3. 使用要点

• 示例要覆盖各类别与边界情况，避免全部为同一类导致模型偏置
• 一般 3 至 5 个示例即可，超过 15 个通常更适合改用微调把模式固化进权重
• 示例会持续占用每次请求的上下文，高频调用需权衡 token 成本；示例位置也会影响输出倾向，末位示例影响最大