少樣本提示（Few-shot Prompting）是什麼：用例子教清楚格式

少樣本提示（Few-shot Prompting）是把少量已完成的輸入與輸出示範放進提示詞，再請模型處理新的輸入。你不是只說「照這個格式」，而是讓它看到格式長什麼樣、分類邊界如何判斷，以及資料不完整時應該怎麼表達。

這種方法常適合難以只靠一句規則說清楚的工作，例如把民眾留言整理成固定欄位。但它不是永久訓練，也不保證例子越多越準。以下以失物招領資料為原創教學情境，示範如何選例子、檢查新案例，再判斷是否值得保留這套提示。

示範放在當次上下文，並未修改模型參數

Brown 等人的原始研究使用文字指示與示範，讓模型在沒有梯度更新或微調的情況下處理任務。少樣本提示沿用這個操作重點：例子作為當次輸入的一部分，幫助模型辨認任務與預期輸出。這與蒐集資料後重新調整模型參數的微調不同。

假如你給出「黑色雨傘在圖書館入口拾獲」對應「物品：雨傘；地點：圖書館入口」，模型可以用這個例子推測欄位寫法。當你開新對話而系統沒有帶回示範時，不能假設它仍知道你自訂的格式。若需要反覆使用，應把經確認的示範保存在可重用的提示或工作設定裡。

少樣本也沒有通用的最佳數量。選多少要看任務複雜度、例子長度與錯誤類型。如果分類規則本身矛盾，放更多例子可能只是增加混亂；如果格式很特別，一個清楚示範可能已經提供大量幫助。應以新資料的表現判斷，不用追求固定的示範數字。

用對例子，讓分類邊界變得可見

失物招領的普通例子可以包含明確物品與地點，但只放這類範例，模型可能誤以為每則留言都有完整資訊。第二種示範應處理缺漏，例如「剛剛撿到一張卡片」，預期地點欄位寫「未提供」，不能猜在車站或教室。

邊界案例則能表達容易混淆的規則。像「我的耳機不見了」是尋物消息，不是拾獲消息；若你的系統只收拾獲資料，就要示範如何標記不適用。這比多放幾則雨傘和水壺的類似留言，更能讓模型知道分類的真正界線。

Anthropic 的官方提示指引建議範例要相關、多樣且有清楚結構。對這個情境而言，多樣不是任意換幾個名詞，而是涵蓋不同判斷：資訊完整、必要欄位缺漏、任務不適用，以及一句話包含多個物品。你要示範的是規則分岔，不只是文句風格。

寫一份可檢查的失物招領提示

先用簡短文字定義工作：「判斷留言是否描述拾獲物品，只擷取文中明示的物品與地點；沒提供的欄位寫未提供。」再將每組輸入與預期輸出分開標示，讓模型不會把示範當成待處理的新案件。最後獨立放入這次真正要整理的留言。

以下是示意新輸入：「在操場旁看到有人留下一個保溫杯，不確定是不是已經被拿走。」理想輸出應保留物品與地點，並標示目前狀態不確定。若你的既定欄位無法表達不確定性，應先修改欄位設計，而不是要求模型把模糊事實硬塞成「已拾獲」。

輸出後對照原文檢查：物品有沒有被改名、地點有沒有補寫、暫時觀察有沒有被誤當成已保管。這份檢查是成功標準。格式整齊但資訊被誇大，仍是失敗；反過來說，若事實判斷正確而欄位不一致，問題可能主要是格式示範不夠明確。

示範資料和驗證資料必須分開

你用來教模型的留言，不適合又當作唯一的成績證據。模型照著已見過的例子重做成功，只能說明它能重現示範。另留一批不同措辭的新留言，包含相同判斷邊界，才能觀察它是否把規則用到未見過的輸入。

比較提示版本時，先固定這批驗證資料。一版只有規則，一版加入普通示範，另一版再加入缺漏和邊界案例。紀錄每版在哪些案件出錯，而不是只看自己最喜歡的一次回答。這裡沒有執行這項實驗，因此不提供任何準確率或改善比例。

如果新版本只讓雨傘留言更穩，卻把所有尋物消息也當成拾獲，就應重新平衡示範。也要檢查例子的排列與格式是否帶來暗示，例如前半部總是成功案例、後半部總是拒絕案例。讓內容與標籤的關係清楚，比用固定順序製造可猜的模式更重要。

何時用少樣本，何時應處理別的問題

當模型理解大方向卻抓不到欄位、風格或分類邊界時，少樣本提示特別值得嘗試。若它不知道最新公告，示範不能代替資料查詢；若原始留言被 OCR 讀錯，示範也不能自動修復來源。先辨認錯誤層次，才不會把所有失敗都歸因例子不夠多。

對要求高度一致的系統，還應加入程式檢查，例如必要欄位是否存在、標籤是否在允許清單內。這能抓格式錯誤，卻不能完全驗證語意，所以仍要保留原文與抽查流程。模型回傳合法格式，是能被系統接收的條件，不等於內容已經正確。

整理示範時應避免使用不必要的個資。失物招領可以用虛構內容表示規則，不必把真實電話、姓名和證件號碼重複塞入提示。最後保留少量能說清楚關鍵判斷的案例，並記錄它們對應的規則；這樣未來改版時，你會知道為什麼每一個例子都值得留下。

若團隊改了分類定義，要同步更新全部示範。舊規則寫在文字說明、新規則卻出現在例子裡，模型會收到衝突訊號。保留每組示範的用途與最後核對日期，也能讓接手的人理解這些例子如何維護。

零樣本提示（Zero-shot Prompting）是什麼：先把任務說清楚

上下文學習（In-context Learning）是什麼：當場適應新規則

AI 名詞總索引：從 Loop Engineering 到生成式 AI

• AI 工具
• 教學
• AI 名詞解釋