什么是示例挑选？few-shot 给哪几个

few-shot 是提示词写作里的老办法：给 AI 看几个「输入—输出」的示例，让它照葫芦画瓢。但很多人卡在给哪几个、给几个上。示例挑选讨论的就是这个选择题——示例是模型的临场教材，挑得对，三五个顶十几个；挑得乱，给一堆也白搭。

例子给得多，不如给得对

示例数量不是越多越好：占字数、稀释重点，还可能引入彼此矛盾的暗示。常见的够用量是二到四个，且每个都该有独立价值——有的示范标准情况，有的示范特殊情况，有的示范格式。给十条同类示例，模型学到的还是一件事，多出来的九条只是重复。

判断：每加一个示例前问一句，它示范了别的例子没覆盖的什么？答不上来就别加。

挑示例看哪三样

一看典型性：像日常会来的真实输入，别用刻意造的玩具例子；二看覆盖面：长短、难易、风格上有梯度，详见示例多样性的做法；三看示范性：输出的部分得是你想要的水平——示例里糊弄，模型就跟着糊弄。三样里示范性最容易漏：很多人随手复制旧输出当示例，连错误格式一起教了。

动手挑之前，还有一步容易被跳过：先想清楚这个任务里「好输出」和「坏输出」差在哪。想清楚了，示例就知道该示范什么、避开什么；没想清楚就开挑，挑出来的往往只是你自己顺手的，不是任务需要的。示例挑选的功夫，一半在挑之前的想。

类比：简历里放哪三段经历

简历放经历讲究精选：与岗位最相关的、有成果可数的、能体现不同能力的各挑一段。堆十段相似经历不如三段各有侧重。给模型挑示例同理——每一例都在回答「我能处理什么」，凑数的那几例只会模糊这份自荐信的焦点。

模型不会跳过凑数的例子

HR 会跳过重复经历继续读，模型没有「跳过」机制，每个示例都实打实影响输出，凑数的例子不是无害，是有害。另外，简历求量显厚重，示例求精省字数——把宝贵的篇幅留给指令和边界描述，往往比多塞两个示例更划算。

还有个实用建议：把挑好的示例当成活页夹而不是订死的名片。任务重心一变，随时换一两个例子进去，其余保留。每次换完在通义千问、DeepSeek 上跑一遍测试确认没引入新问题，这套示例就一直处在「刚好够用」的状态，不多不少。

最后提一句迭代节奏：示例不必频繁动。效果稳定时保持原样，只在任务变化或换模型后重新过一遍三样标准。示例是提示词里最敏感的部分，动作越少越稳，改一次测一次，别连着改。

示例的覆盖面展开讲，见什么是示例的多样性？覆盖不同情况；摆放位置的讲究在什么是示例的顺序效应？摆放位置的影响；示例的质量怎么验收，靠什么是提示的评测集？一批标准问题；按问题自动配示例的进阶玩法见什么是动态示例？按问题挑例子，通俗版解释；示例放进哪一层，看什么是提示的分层？系统层与任务层。

示例挑选速查表

• 二到四个示例，每个有独立价值。
• 典型、覆盖、示范三样都过关。
• 输出的部分必须是想要的水平。
• 加新示例前，先问它补了什么空白。

示例是模型临场翻的教材，页页有用，才值得放进去。

关于示例挑选再多问三句

• 零示例行不行？：简单任务行，指令写清楚就够了；输出有固定格式或特殊风格时，示例比形容词管用。
• 示例用真实数据安全吗？：脱敏后再用，隐私信息进了提示词就等于进了模型的上下文，能删则删。
• 示例要随任务换吗？：要。任务场景变了就换对应场景的示例，一套示例打天下是常见误区。