什么是示例的多样性？覆盖不同情况

让 AI 学着输出时给的例子，等于替它划定了「什么算合格」。例子全是一个模子，模型就以为只有一个模子。示例的多样性说的是：挑例子时刻意覆盖不同情况，让模型学到规则本身，而不是某一次的巧合。

只给一种例子，会学成什么样

比如让模型给商品写标题，三个示例全以「超值」开头，它大概率每条都挂上「超值」。你想要的是吸引人，它学到的却是开头必须是这两个字。把示例换成三种风格——疑问式、数字式、卖点式——模型才能提炼出共同点：吸引人，而不是复刻某个开头。豆包、讯飞星火上各试一轮，差别一望便知。

怎么挑出覆盖面宽的例子

从三个方向入手：换输入的长度，一短一长；换难度，一简单一边缘；换风格，正式与口语各来一个。挑完自问一句：这组例子覆盖了实际会遇到的几类情况吗？没覆盖的类型，模型只能靠猜，猜偏了怪不到它头上。

挑例子的另一个角度是「反例要不要放」。答案是可以放，但要标明：在示例后面补一句「这个输出不合规，原因是……」，模型能从对比里学到边界在哪。反例比正例信息量大，一个标注清楚的反例，常常顶两个正例的说明力。

覆盖面还有一层意思容易被漏掉：覆盖你不想要的情况。比如你讨厌输出里出现免责套话，就别只给干净例子，可以在要求里直接写「不出现任何套话」并给一个正面示范。例子示范的是「长这样」，要求划定的是「别长那样」，两头都占，输出才稳。

四类示例各管一段，摆法和标注也不一样：

顺手再查一遍矛盾：例子之间若有互相打架的要求，模型会不知以谁为准，这种排查比加数量更要紧。

类比：教孩子认鸟不能只看麻雀

只指着麻雀说这是鸟，孩子会以为会飞、体型小才是鸟的必要条件，见到企鹅就懵。多看鸵鸟、天鹅、企鹅，孩子抓到的才是羽毛、喙、产卵这些本质特征。示例多样性的价值正在于此：让模型抓本质，别抓巧合。

顺着这个类比再多说一层：教孩子认鸟时，大人会不自觉地按难度排顺序，先家禽后野鸟。挑示例也可以这样排——把最典型的放前面，边缘情况放后面，模型阅读时先建立典型印象，再用后面的例子校正边界，学习路径和人的认知习惯是一致的。

给一个量化起步：常规任务三个例子，复杂任务五个封顶。先跑一遍看输出，哪里偏就补哪类例子，用增量逼近而不是一次配齐。示例是调出来的，不是一步设计出来的，这个心态能让挑选过程省力很多。

孩子靠日积月累，模型只有这一组

孩子见多识广靠日积月累，模型只看你给的这一组，没有第二次机会；而且多样性不等于数量，十个雷同示例不如三个各异的。另一头也有坑：例子风格彼此打架，模型反而没了准头，需要靠优先级来定调。

示例挑好后与什么是输出格式声明？先说要什么格式配套；摆放位置参考什么是示例的顺序效应？摆放位置的影响；规则冲突的裁决见什么是指令优先级？冲突时听谁的；正面表述参考什么是肯定式指令？说「要什么」更有效；话说得多细看什么是指令的具体性？越具体越稳。

多样性自查清单

• 输入有长有短。
• 难度有简单有边缘。
• 风格不止一种。
• 例子之间没有互相矛盾的要求。

例子是模型的教材，教材页页雷同，学生就只会背书。

聊聊示例多样性的常见疑问

• 例子多会拖慢回答吗？：会略增处理量，但三五个示例的开销很小，换来的稳定很值。
• 多样性和输出一致矛盾吗？：不矛盾。多样性指输入覆盖面，一致性指输出格式统一，并行不悖。
• 没有现成例子怎么办？：动手造三组典型情况，比凭空写一段抽象要求管用得多。