提示词加 few-shot 怎么写：让 AI 稳定输出的 3 种写法？

当你发现同一个问题问大模型，它时而答得准、时而跑偏，最省力的解法往往不是把指令写得更长，而是在提示词里加几个示例，让 AI 稳定输出。few-shot 提示，是指在提问时附上少量“输入—输出”样例，让模型照着样例的格式和风格来回答。它最大的价值是“不动模型、只调提示”就能把输出拉到稳定区间，特别适合格式严格、口径要统一的任务。

提示词加 few-shot怎么写才稳？

本文基于 OpenAI 兼容接口（Python 3.11 + requests）验证，覆盖三种最实用的 few-shot 写法：同类示例堆砌、显式输入输出对、带推理链的示例。每种都给可直接复制的代码片段和返回结果，并讲清适用边界，以及示例与任务错配、样例太少、示例本身有错三个常见失败。看完你不仅能稳住输出，还能判断该用几条示例最划算。

一、先搞清楚 few-shot 到底在做什么

few-shot 是“少样本提示”的英文直译，意思是给模型看几个示范，它就能照着做，而不需要重新训练。它本质是借示例把模糊的“你要什么”翻译成具体的“你要成这样”。

用一句白话讲：few-shot 就是把“请按这个格式回答”换成“你看，前面这几组就是我要的样子”，模型对具体样例的领悟力远高于对抽象规则的遵循。

1.1 什么时候该用

当你要的输出有固定结构（JSON、表格、分类标签）、口径必须一致（同样的词不能有时翻译有时不翻）、或零样本提示总在边缘 case 翻车时，few-shot 几乎总是首选。

⚠️ 注意：示例本身必须正确且风格统一。给模型一个带错的样例，它会非常“听话”地复刻你的错误，比你直接说错话还难纠正。

1.2 常见误解

有人觉得示例越多越好。其实超过 5 条往往边际收益骤降，还白白吃掉上下文和费用。多数任务 2 到 3 条高质量示例就已经能把输出锁死在稳定区。

二、写法一：同类示例堆砌

最朴素的写法，是把同类型的几个成品答案直接列在提示里，让模型模仿语气和结构。先看一轮调用：

import requests, json

def ask(prompt):
    resp = requests.post(
        "https://api.example.com/v1/chat/completions",
        json={"model": "gpt-4o-mini", "messages": [
            {"role": "user", "content": prompt}
        ]},
    )
    return resp.json()["choices"][0]["message"]["content"]

加上 few-shot 后，提示词变成这样：

请把用户评论分成 正面 / 负面 / 中性。
示例：
评论：快递很快，包装也扎实。 -> 正面
评论：客服半天不回，体验差。 -> 负面
评论：东西还行，没啥特别。 -> 中性
现在分类：评论：性价比一般，但能用。

上面这段做的是用三条同构样例定义分类口径。执行后你应该看到模型返回“中性”，而不是自由发挥一段解释。这种写法成本最低，适合分类、改写、抽取这类“照葫芦画瓢”的任务。想系统理解能力边界，可以先过一遍 AI 人工智能教程。

实际应用里，分类口径最怕的是“同义词一会儿翻、一会儿不翻”。比如“划算 / 性价比高 / 真便宜”在业务里可能都是同一个意思，few-shot 用三五个同类样例把这种口径钉死，比写一长段规则更稳。这也是它在客服质检、工单归类里最先落地的场景：规则越说越乱，样例反而越看越清楚。

三、写法二：显式输入输出对

当任务不是“模仿语气”而是“按规则变换”时，把每条示例写成明确的“输入 → 输出”，比堆答案更可靠。它强迫模型学到映射关系，而不是只学到文风。

把英文技术术语译成中文，保留英文原词在括号里。
输入：cache -> 输出：缓存（cache）
输入：thread -> 输出：线程（thread）
输入：middleware -> 输出：中间件（middleware）
输入：token -> 输出：

这一步在 Trae Plugin Use AI Capabilities 这类插件里也很常见：把示例作为系统提示的一部分固定下来，后续每次对话都自动带上。

💡 小提示：输入输出对里，输入要覆盖你最担心的边界（空串、特殊字符、歧义词），模型才会对这类情况也守规矩。

四、写法三与横向对比

第三种写法是给示例额外带上“推理过程”，也就是 few-shot + 思维链。它适合答案正确但步骤易错的任务，比如多步换算、带条件的判断。

写法	适用场景	优点	代价
同类示例堆砌	分类、改写、抽取	最简单、最省 token	只学文风不学规则
显式输入输出对	格式变换、映射	学到映射关系	需设计输入输出
带推理链示例	多步、易错任务	步骤更稳	示例更长、更贵

few-shot 写法选型

选型建议：要统一口径用写法一，要稳定变换用写法二，答案对步骤敏感用写法三。在人工智能 Overview Of AI And Artificial Intelligence 里能找到更完整的提示工程脉络。

不过示例写进系统提示后，偶尔会出现“模型忽略了示例、只按自身习惯答”的情况。这时先确认示例是不是被后续指令覆盖，再检查示例与真实输入是否同分布；多数失效都是这两类原因。把示例固化进系统提示只是第一步，TRAE 问题排查能在插件接入时帮你定位示例没生效的原因。

实操时，建议先把写好的提示词运行一遍，确认模型确实 follow 了示例；若失败，常见原因是示例和真实输入分布不一致，按报错把样例换成因域内的真实样本即可修复。把跑通的示例和接口参数配置进系统提示，下次直接复用。拿到输出后，用一批预期样本做回归，能及时发现示例被后续指令悄悄覆盖的情况。

五、踩坑清单

坑一：示例与真实任务错配。 现象是模型答得顺但全跑题。原因是你给的示例是 A 领域，问的却是 B 领域。解决法是示例必须和真实输入同分布，别拿新闻分类的示例去分商品评论。

坑二：样例太少导致不稳定。 只给 1 条时，模型容易过度拟合那条的特殊措辞。解决法是至少 2 到 3 条，并让它们覆盖不同分支。

坑三：示例本身有错。 模型会忠实复刻错误。解决法是每条示例先人工核对，确保“标准答案”真的标准。

few-shot 三坑

总结

few-shot 提示的核心不是“多写几句话”，而是用少量正确样例把模型的行为钉死。同类堆砌最省力，输入输出对最稳变换，带推理链示例最抗步骤错误。无论哪种，示例都要同分布、至少两三条、且本身无误。

要点带走：

多数任务 2 到 3 条高质量示例就够，不必堆很多；
示例错了比没示例更糟，先人工核对再喂；
要稳定格式用输入输出对，要稳步骤用推理链。

下一步可以把验证过的示例固化进系统提示，让每次调用都自动带上。

延伸学习

想把这块系统补齐，可以按这个顺序来：

先过一遍 TRAE AI 开发 Python Django 后台管理系统，看 AI 能力怎么嵌进真实项目；
概念还模糊时，翻 AI 是什么意思？一文读懂人工智能的核心概念打底；
想画清提示结构，用 Mermaid流程图把示例链路画出来。

常见问题

Q：few-shot 和微调有什么区别？ A：few-shot 不改模型权重，只在本次提示里给样例，零成本、即改即生效；微调要训练，成本高但能固化到模型里。多数不稳定输出先用 few-shot 试，不够再考虑微调。

Q：示例该用英文写还是中文写？ A：和你真实任务的输入输出语言保持一致最稳。混用语言会让模型在风格上摇摆，尤其是分类口径类任务。

Q：示例占用了上下文，会不会影响长任务？ A：会。示例越长，留给真实输入和推理的窗口越小。做法是只留最关键的 2 到 3 条，并把超长示例挪到系统提示里复用，不在每条用户消息里重复。