名詞解析 · Prompt Techniques

Few-Shot Prompting

少樣本提示

Prompt Techniques 新手

30 秒版 · 給沒耐心的人

在提示詞裡提供 2-5 個輸入輸出範例，讓 Claude 從範例中推斷出你想要的格式和風格，然後對新的輸入做同樣的事。「給例子比給說明更有效」的核心技巧。

完整解說 +

01 · 這是什麼？

Few-Shot Prompting（少樣本提示）是一種在提示詞裡直接提供 2-5 個「輸入→輸出」配對範例，讓 Claude 從這些範例中自動推斷出你想要的格式、分類標準、語氣風格或處理邏輯，然後對你的新輸入套用同樣的規則的技巧。名稱裡的「Few-Shot」對應的是機器學習術語：Zero-Shot 是不給任何範例直接問；One-Shot 是給一個範例；Few-Shot 是給少量範例（通常 2-5 個）；Many-Shot 是給很多範例。在實際使用中，「Few-Shot Prompting」通常泛指「給範例」這個做法。它解決的核心問題是：有些你想要的輸出格式，很難用文字說清楚，但只要看一個例子就立刻明白。與其花三段話描述你想要的格式，不如直接給兩個例子——Claude 從例子裡推斷規則的能力，往往比你用語言描述的更精確。

02 · 為什麼存在？

Few-Shot Prompting 有效的原因，在於 Claude 在訓練過程中學到了「從例子中推斷模式」的能力。這個能力被稱為「In-Context Learning（上下文內學習）」——不需要更新模型參數，只需要在 Context 裡提供幾個例子，Claude 就能自動識別規律並套用。這個能力為什麼這麼強？因為在 Claude 的訓練資料裡，有大量的「模式識別」任務的文字——人類在解釋規則時，常常用「例如」「比如」「就像這樣」來舉例說明，Claude 學到了從這些例子裡提取規則的方式。更技術性的解釋：每個範例（輸入-輸出對）都成為 Context Window 的一部分，Claude 在生成新輸出時，會把這些範例作為參考，在「產生的 Token 最符合這些範例建立的模式」這個方向上收斂。範例越清晰、越一致，Claude 能收斂的方向就越精確。

03 · 如何影響你的決策？

Few-Shot Prompting 對你的影響，主要體現在「你能把 Claude 的輸出校準到你想要的格式」這件事上。很多時候，你之所以對 Claude 的輸出不滿意，不是因為它的知識不夠，而是因為它不知道你想要什麼格式、什麼風格、什麼詳細程度。在批次處理場景裡，這個技巧的價值非常高：如果你要讓 Claude 處理一百條客評、一百筆資料記錄、或者一百篇文章的摘要，你不可能對每一條給個別指令。Few-Shot Prompting 讓你能用 3-4 個例子「定義規則」，然後 Claude 對後續所有輸入保持格式一致。對開發者來說：在構建 AI 應用時，Few-Shot Prompting 是實現「輸出格式可控」最可靠的方法之一，比用自然語言描述格式要求更精確，比 Fine-tuning 成本低得多。如果你需要 Claude 輸出固定格式的 JSON，最好的做法通常是同時給幾個正確 JSON 的範例，而不是只用文字描述 JSON 的結構。

04 · 你該怎麼辦？

**立刻能用的 Few-Shot 格式：** 基礎格式（分類任務）： ``` 將以下評論分類。評論：「這個產品品質太差了」 → 類別：負評 | 情緒：憤怒評論：「包裝很漂亮，很適合送禮」 → 類別：正評 | 情緒：滿意評論：「就還好，沒有很驚喜」 → 類別：中性 | 情緒：普通現在分類：「運送超快，一天就到了！」 ``` 格式轉換任務： ``` 將非正式的描述改寫成正式的產品規格語言。非正式：「電池很耐用，充一次可以用很久」正式：「電池續航力：單次充電使用時長可達 [X] 小時" 非正式：「螢幕很大很清晰」正式：「顯示器：[X] 吋 [X]x[X] 解析度，[X] nits 亮度" 非正式：「這個 App 開起來很慢」正式： ``` **Few-Shot 的品質法則：** - 例子之間要格式完全一致（不要一個用逗號隔開，另一個用分號） - 例子要涵蓋不同的情況（不要全部都是同類型的正例） - 3 個例子通常比 2 個好，5 個通常比 3 個好，但超過 8 個通常效益遞減 - 你的新輸入格式要和例子裡的輸入格式完全一致

實際例子 +

林小姐負責一個電商平台的客服分析，每週要把數百條客評分類成「產品問題」「物流問題」「服務問題」「正面回饋」四類，並且標記情緒（正面／負面／中性）和優先級（高／中／低）。 **過去的做法**：她每次都要詳細描述分類標準，Claude 的分類還是常常和她的預期有出入，需要大量修正。 **改用 Few-Shot Prompting 後**： ``` 請將以下客評分類，使用固定格式輸出。客評：「商品描述和實物差很多，要求退款」 → 類別：產品問題 | 情緒：負面 | 優先級：高客評：「等了三週才到，客服也不回我」 → 類別：物流問題 | 情緒：負面 | 優先級：高客評：「包裝很精緻，朋友很喜歡，下次還會回購」 → 類別：正面回饋 | 情緒：正面 | 優先級：低客評：「客服態度很好，幫我解決了問題，但產品本身品質普通」 → 類別：產品問題 | 情緒：中性 | 優先級：中現在分類以下客評： [貼入本週的客評清單] ``` 結果：Claude 分類的格式完全一致，分類準確率從大約 70% 提升到 90%+，林小姐每週的修正時間從 2 小時縮短到 20 分鐘。關鍵在於那第四個例子——一個「混合情況」的範例，讓 Claude 學到了「有服務問題但有產品問題的評論要以哪個為主」的規則。

圖解

歡迎截圖分享，轉載請註明來源

常見誤解 +

✕ 誤解1

× 誤解一：範例給越多越好，多多益善。範例數量有遞減效益。2-5 個範例通常能教會 Claude 你想要的規則，超過 8-10 個之後，每增加一個範例帶來的品質提升微乎其微，但 Token 成本持續增加。更重要的是，範例的品質比數量重要：3 個涵蓋不同情況的高品質範例，效果遠優於 10 個全是類似情況的重複範例。

✕ 誤解2

× 誤解二：Few-Shot Prompting 可以替代所有類型的指令說明。Few-Shot 最擅長的是教「格式」和「分類標準」這類有明確規律的任務。對於需要複雜推理、道德判斷、或者需要考慮大量背景情境的任務，只靠幾個例子可能不夠——這些任務通常需要 Few-Shot + 明確的文字說明結合使用。另外，如果你的例子本身品質不好（有不一致、有模糊邊界），Claude 學到的規則也會不準確。

這件事跟你有什麼關係 +

直接影響

Few-Shot Prompting 是所有 Prompt 技巧裡性價比最高的之一，但它的適用邊界需要清楚。 **優點**：對「格式一致性」問題有極高的解決效率；比用自然語言描述格式要求更精確；訓練門檻低，任何人都能立刻上手；對批次任務特別有價值，一次設定規則，重複套用。 **限制**：高品質範例的準備需要時間——你要先想清楚什麼是好的輸出，才能給好的例子；對規律性不強的任務（需要主觀判斷、情境依賴強的任務）效果有限；如果任務類型在例子之外有很多變體，Claude 可能不知道怎麼處理未見過的邊界情況；Token 成本隨範例數增加而增加，大型批次應用需要考慮成本。 **最佳組合**：Few-Shot + Role Prompting（先設角色，再給例子）；Few-Shot + CoT（例子裡展示推理步驟，而不只是輸入輸出）。

← 上一個詞條

Chain of Thought (CoT)

下一個詞條 →

Prompt Engineering

提問

參照詞條

實用資源

Claude API 狀態 → 模型定價 → Prompt 試驗場 → Token 計算器 → MCP 伺服器目錄 → LLM 評測排行 → 模型比較 →