跟AI来回改了三四版，方向对了、背景也交代清楚了，读出来还是不对味——问题往往不出在指令写得不够细，而出在你用的是形容词。"专业一点""正式一点""简洁一点"这类词天生说不清标准，而少样本提示（Few-shot Prompting），也就是在提示词里附一两个"就要这样"的例子，能把格式、语气、详略、结构一次性说清楚，比堆多少个形容词都管用。
设想一个很普通的场景：你让AI把一条部门通知写得"专业一点"。它给你三种写法——一种是公文式，句式克制、不带情绪；一种是结论先行式，先给结论再给配套安排；一种是交代依据式，把来龙去脉说完整。三份说的是同一件事，同样的两条安排，一个字没多也没少，但差别全在"专业"这两个字上：它可以指克制不带情绪，可以指先结论后细节,也可以指交代完整。你心里想要的是其中一种,而AI从这两个字里没法判断是哪一种。你再补一句"再专业一点",它也只会在这三条路里换一条走,不会真的更接近你要的那种。
这不是AI理解力的问题,而是形容词本身的结构性缺陷。原因有三层:
第一,形容词是相对的。"专业一点"是比什么更专业,参照物在你心里,不在这句话里。
第二,一个词要同时管住好几件事。一句"专业一点"实际上同时在要求四样东西：格式（分点还是成段,要不要标题）、语气（克制还是热络）、详略（每条写多长,细到什么程度）、结构（先结论还是先背景）。一个形容词最多带到其中一样,剩下三样由AI自己定。就算你想逐条写清楚,详略这一条基本写不准——它很难被换算成一句可执行的话。
第三,同一个词,每个人脑子里对应的样子不一样。你跟AI对不上,和你跟同事对不上,其实是同一回事。
现实中人和人之间碰到这种沟通困境,做法是把上个季度那份现成的东西翻出来,推到对方面前说"照这个来"。格式、语气、详略、结构全在那份东西里,一个字都不用形容——同样的动作,对着AI也做得出来,这就是少样本提示的思路来源。
把"专业一点"拆开看,前面已经说过它同时在要求四件事。用形容词说,一个词最多命中其中一样;贴一份写好的通知过去,这四样AI一次全看见了：分几点、什么口气、每条多长、什么顺序,都摆在那份东西上,不需要你翻译成形容词。
这里有一个随时可以自查的信号：形容词是你说不清时才会去堆的东西。堆到第二个第三个还是不放心,说明标准在你心里而不在你嘴上,这时候该做的是找一份对味的东西贴过去,而不是再想一个更精确的形容词。这条判断跟具体用什么工具、做什么任务无关,换个软件、换件事,一样适用。
有一个对照实验能直接看出差别。同一个任务——"写一条通知,下周起周会换到三楼小会议室,二楼那间不再使用"——只下指令、不给例子时,AI挑了公文式:句子长、措辞郑重、一段到底。这份没写坏,只是"专业"到底指哪一种,是AI替你挑的。指令一个字不改,前面附上一份结论先行式的旧通知,AI这一次就走结论先行:同样的字段、同样的顺序、同样的长度。"专业"指哪一种,从此不用它猜——差别就在于你有没有把标准交出去。
不给例子直接下指令,叫零样本提示（Zero-shot Prompting）：一个例子都不给,直接下指令。日常里绝大多数提问都是这一种,包括那些反复改了好几版的提问。而在提示词里附上一两个"就要这样"的例子,让AI照着来,就是少样本提示（Few-shot Prompting）。例子本身就是标准:格式、语气、详略、结构一次全带过去。
给例子这件事,挑错比不挑更麻烦。同一句指令——"帮我写一条社区读书会的活动通知"——配两组不同的例子,产出会差出一整个类别。
第一组例子贴题:两条以前发过的读书会通知,具体到几点几楼、共读第几章。AI照着写出一条格式一致的新通知,时间地点活动内容一应俱全。第二组例子不贴题:两段读书推广文案,读起来煽情、有画面感,但不是通知格式。AI照着这组例子写出来的东西,读起来也通顺、也像模像样,但它不是一条活动通知——什么时候、在哪儿、怎么参加,这三件通知最该有的信息,一个都没有。
原因在于,AI在把你给的例子当成"你要的那一类东西"的样板,它的活儿就是照着这个样板再做一个新的。你给它两条推广文案,它读到的信息就是:你要的是这一类。所以挑例子前先问自己一句:这条例子本身,是不是就是我这次想要的产出? 是,可以用;不是,写得再好也别放进去。一段还没整理过的录音文字稿不是产出,是原料——拿它当例子,AI只会照着原料的样子做,还给你一段流水账。
第二条要领是统一:几个例子之间,格式必须一样——字段、顺序、有没有标题和落款,都要对齐。AI会把几个例子共有的格式当成模板。如果两个例子一个带标题、一个不带,共有的部分里就没有标题这一项,AI也就不知道你到底要不要标题,只能自己猜。Google的官方文档对这条写得很直接:所有示例的结构和格式要保持一致,否则容易拿到不符合预期格式的回答。这里需要注意的是,格式要一样,内容却要不一样——这一半的道理放在下一节说。
提示词里那几个样板,有一个专门的名字:示例（Demonstration）。它们不只是内容,同时也在示范格式和语气。
给几个例子没有统一答案,各家官方口径本身就对不上。Anthropic的官方文档给了一个具体数字:3到5个。Google和OpenAI的官方文档不给数字,建议自己试出来。这说明3到5个只是一家厂商对自家模型给的建议,换一个模型、换一个任务未必还成立,不该被当成业界共识。
比记住某个数字更实用的做法是:从一个例子开始,不够再加。先不给例子,直接下指令,看一眼产出;不对味,加一个例子,再看一眼;还不对味,再加第二个,再看一眼;对味了就停在那里。这样做还有一个好处:能清楚知道是哪一个例子起的作用。一口气塞五个进去,产出变好或者变糟,都不知道该动哪一个。
例子这招用顺手之后,会冒出一类很隐蔽的问题:产出看着挺像样,细看却混进了不该有的东西。这背后是同一个根源——AI拿到例子后,得自己判断哪些是你要的规格、哪些只是上一次的具体情况,而这件事它常常做不好。
坑一:它会照抄例子里的具体内容。 给一份旧通知当例子——"本周三下午三点,读书会在三楼会议室举行,报名找行政部小林"——让AI照这个格式写一条下周线上分享会的通知,它写回来的却是"下周三下午三点,线上分享会在三楼会议室举行,报名找行政部小林"。线上活动用不上会议室,小林也不负责这一场,这两样都是例子里自带、被原样搬进新产出的信息。人名、公司名、具体数字、句式长短,都可能被照原样搬进去,而且搬得毫无违和感,扫一眼看不出来。实操上的对策是:给例子之前,先把人名、公司名、具体数字换成一眼就知道是占位的说法——"小林"换成"对接人","三楼会议室"换成"活动地点","一千二百元"换成"费用金额"。句式和信息顺序照样能示范到位,能被抄走的只剩结构。
坑二:例子之间那些巧合的共同点,也会被当成硬要求。 从聊天记录里翻三条旧通知当例子是很顺手的做法,翻的时候不会多想,而这三条恰好都以"各位同事"开头。让AI照这个格式写一条发给客户的活动邀请,它写回来的开头照样是"各位同事"——这句话是那三个例子替你要求的。你想示范的可能只是一条通知该有的信息和顺序,但这三条例子一致的地方不止这一处:开头一样、长度接近、讲的都是部门内部的事。哪一处是规格、哪一处只是碰巧撞上的,AI分辨不出来,于是一起照办。对策是让例子之间格式要一样、内容要不一样:统一的应该是分几段、带不带标题、字段顺序这类格式信息;人名、日期、数字、场景这些内容,以及那些碰巧撞在一起的共同点,反而要留出变化。
坑三:重复的例子等于没加。 判断标准很简单:新加的这一个,跟已经给的那几个比,示范出新东西了吗?比如两条例子开头一样、结构一样、字段顺序一样,换掉的只有时间和活动名称——这其实是同一件事说了两遍。这样做要付两笔账却什么都没换到:例子会占上下文,每一轮都要连着一起读一遍;例子里的每一个字都算Token,越长这一次问答就越贵也越慢。能示范新东西的例子,这两笔花得值;重复的那个,两笔照付,换回来零信息。所以加下一个例子之前先问自己:这一个示范了前一个没示范到的东西吗?没有就别加。另外,给到不止一个例子时,可以把最接近你想要的那个放在最后一个,让排序也帮你说话。
这三个坑背后其实是同一件事:AI照着你给的这几个例子,调整这一轮的输出,这个机制有专门的名字,叫上下文学习（In-context Learning）——AI把你给的例子读进上下文,照着例子调整这一轮的输出。需要澄清的是,参数一个字没改,这不是训练:例子只在这一轮里起作用,换一轮新对话,AI不记得你上次给过什么例子,要用就得再给一次。
什么情况下最该在提示词里附一个例子? 当你发现自己一连写了好几个形容词,还是不放心的时候。堆形容词这个动作本身就是信号——一个形容词往往对应好几种都说得通的产出,加第二个第三个形容词也收不拢。相反,如果要求本来就能拆成字数、条数这类可以逐条检查的硬指标,直接写进指令更省事,附例子反而多绕一步;如果问题出在AI不知道任务背景,那该补的是背景信息,不是例子——形容词说不准解决的是"标准说不清"的问题,两件事各归各的。
怎么判断一份材料能不能当例子用? 先问一句:这份材料本身,是不是就是我这次想要的产出?如果是别人整理好的、格式统一的成品,就可以直接用;如果是还没整理过的原始材料(比如录音文字稿),就算格式看着规整,也不能当例子——AI会照着原料的样子做,而不是照着你要的产出的样子做。
例子里的公司名、具体数字要不要保留原样? 不该保留。AI是照着你给的例子再做一个新的,例子里的人名、公司名、具体数字都可能被原样搬进新产出,而且搬得很自然,最容易漏检。正确做法是给例子之前先把这些换成占位说法,比如把具体人名换成"对接人"、具体地点换成"活动地点"。句式和信息顺序照样能起到示范作用,不会因此打折扣。
几个例子恰好有相同的开头或句式,要紧吗? 要紧。AI会把几个例子共有的地方当成你的要求来照办,哪怕那只是你随手翻出来的巧合,不会因为你没有明说就自动豁免。想避免这个问题,就要让例子之间格式保持一致、内容保持不同,而不是靠多加几个同样开头的例子去"抵消"——同样开头的例子越多,这个共同点只会显得更像是硬性要求。
这些内容出自哪里？要付费吗？
不用付费，也不需要编程基础。本文改编自 BotLearn 免费 AI 公开课第 15 讲《少样本提示：给 AI 看例子比讲道理管用》，每讲 15-20 分钟。BotLearn是面向人与AI Agent的学习平台：为终身学习者提供AI新职业课程及免费AI通识课；为AI Agent提供A2A（Agent对Agent）评测与学习社区。
出品方：BotLearn免费AI公开课 ｜ 对应课程：第 15 讲《少样本提示：给 AI 看例子比讲道理管用》，免费 ｜ 更新日期：2026-08-28
