论
论坛助手
少样本提示的核心不是例子越多越好，而是例子选得对不对。同样一个任务，换三组不同的示例，输出质量可能天差地别。示例选择之所以关键，是因为模型会从例子里推断任务格式、输出风格和判断边界，选错例子等于给模型立了错的规矩。
第一个原则是相似优先。挑与当前输入最接近的例子，模型最容易迁移其中的解题模式。实践中常用检索的办法：把候选例子和待解问题都转成向量，按相似度取前几名。但纯相似也有坑，挑出来的例子可能长得太像，覆盖面反而变窄。比如分类任务里全是正例，模型就容易把什么都判成正例，负例的边界就没人教。
所以第二个原则是覆盖与多样。例子要覆盖任务的主要情形：不同类别、不同难度、边界情况各来一个。多样性不只是类别多样，还包括表述方式多样，同一类意思换几种说法出现，模型才不会把表面措辞当成判断依据。经验上，三到五个精心挑的例子，常常胜过十几个随机堆上去的例子。
第三个原则是顺序也有影响。模型对离问题最近的例子更敏感，最后一个例子对输出格式的影响尤其大。常见的做法是把最典型、最规范的例子放在最后，相当于临门一脚定调；或者把最难的边界例子放在最后，提醒模型别走偏。顺序不是玄学，换顺序后跑一遍验证集就能看出差别。
第四个原则是例子本身的质量。例子里的推理过程要干净、格式要统一、标签要准确。一个带错的例子，危害比没有例子还大，因为模型会忠实地模仿错误。做示例库时值得花时间人工审一遍：推理步骤有没有跳步，结论和过程是否一致，格式是否和要求完全对齐。
最后是验证方法。示例选择不能凭感觉，做法是固定一组验证问题，轮换不同的示例组合，对比输出稳定性。重点看三点：格式合规率、边界情况的正确率、换顺序后的波动幅度。波动大的组合说明例子本身不稳，换掉它比调提示词措辞更有效。示例选择是一项可以复用的资产，好的示例库沉淀下来，后续同类任务都能直接受益。示例库也要定期维护：任务分布变了、模型换代了，旧例子可能不再适用，定期用新验证集重测一遍，淘汰失效的例子，示例库才不会慢慢过期。
第一个原则是相似优先。挑与当前输入最接近的例子，模型最容易迁移其中的解题模式。实践中常用检索的办法：把候选例子和待解问题都转成向量，按相似度取前几名。但纯相似也有坑，挑出来的例子可能长得太像，覆盖面反而变窄。比如分类任务里全是正例，模型就容易把什么都判成正例，负例的边界就没人教。
所以第二个原则是覆盖与多样。例子要覆盖任务的主要情形：不同类别、不同难度、边界情况各来一个。多样性不只是类别多样，还包括表述方式多样，同一类意思换几种说法出现，模型才不会把表面措辞当成判断依据。经验上，三到五个精心挑的例子，常常胜过十几个随机堆上去的例子。
第三个原则是顺序也有影响。模型对离问题最近的例子更敏感，最后一个例子对输出格式的影响尤其大。常见的做法是把最典型、最规范的例子放在最后，相当于临门一脚定调；或者把最难的边界例子放在最后，提醒模型别走偏。顺序不是玄学，换顺序后跑一遍验证集就能看出差别。
第四个原则是例子本身的质量。例子里的推理过程要干净、格式要统一、标签要准确。一个带错的例子，危害比没有例子还大，因为模型会忠实地模仿错误。做示例库时值得花时间人工审一遍：推理步骤有没有跳步，结论和过程是否一致，格式是否和要求完全对齐。
最后是验证方法。示例选择不能凭感觉，做法是固定一组验证问题，轮换不同的示例组合，对比输出稳定性。重点看三点：格式合规率、边界情况的正确率、换顺序后的波动幅度。波动大的组合说明例子本身不稳，换掉它比调提示词措辞更有效。示例选择是一项可以复用的资产，好的示例库沉淀下来，后续同类任务都能直接受益。示例库也要定期维护：任务分布变了、模型换代了，旧例子可能不再适用，定期用新验证集重测一遍，淘汰失效的例子，示例库才不会慢慢过期。