Few-Shot Prompting

Few-Shot Prompting（少樣本提示）是在提示詞裡提供幾個完整的「輸入→輸出」示範例子，讓 AI 從這些例子裡學習你期望的任務模式，然後對新輸入套用同樣的模式。

和 Zero-Shot 的核心差別：

Zero-Shot 是直接說「我要你做 X」，沒有示範。Many 任務 Zero-Shot 已經夠好——大型語言模型對常見任務有很強的零樣本能力。

Few-Shot 是說「我要你像這樣做 X」，然後提供幾個例子。適合用在：你有特定的非標準格式（你的格式和常見格式不一樣）；風格很難用文字說清楚（「像我們的品牌說話」）；需要高度一致性的批量任務（每筆輸出都要符合一樣的格式）。

一個具體例子：

你需要把客戶回饋整理成標準化的卡片格式：

輸入：「你們的客服很慢，等了 3 天才回我」
輸出：
  問題類型：回應速度
  情緒：負面
  嚴重程度：中
  建議動作：檢視客服 SLA 流程

輸入：「產品品質很好，包裝也很精緻」
輸出：
  問題類型：產品評價
  情緒：正面
  嚴重程度：無
  建議動作：可加入行銷素材

給完這兩個示範後，Claude 就能對後面所有的客戶回饋套用同樣的格式，不需要你每次都詳細說明格式規範。

好的 Few-Shot 示範例子應該怎麼設計？什麼是常見的設計錯誤？

好示範的設計原則：

原則一：示範要覆蓋任務的主要變體。如果你的任務有幾種不同的情況，示範裡要包含不同情況的處理方式。只提供一種情況的示範，Claude 可能會把那一種情況的處理方式過度泛化到其他情況。

原則二：示範要有多樣性，避免讓 Claude 學到過窄的模式。如果你的三個示範都是短輸入的例子，Claude 可能對長輸入產生和短輸入一樣的處理方式，而不是根據長度調整。

原則三：示範的輸出品質要代表你期望的最高標準。示範是你告訴 Claude「什麼是好輸出」的方式——如果你的示範輸出是馬虎的，Claude 學到的標準就是那個馬虎的標準。

常見的設計錯誤：

示範太多但品質參差不齊——5 個平庸的示範不如 2 個完美的示範，數量不能彌補品質。

示範沒有覆蓋邊緣案例——如果任務裡可能出現「資訊不完整」或「輸入格式異常」的情況，你的示範要包含這些情況的正確處理方式，否則 Claude 遇到邊緣案例可能會不知道怎麼辦。

示範和真實任務的輸入分佈不一樣——你的示範都是「簡單案例」，但真實任務裡有很多「複雜案例」，這樣示範的效果會大打折扣。

Few-Shot 的示範例子應該放在提示詞的哪個位置？順序重要嗎？

示範例子的位置：

最常見的結構是「任務說明 → 示範例子 → 新任務輸入」。示範例子放在任務說明之後、新任務輸入之前，這讓 Claude 先理解任務的整體目標，再從示範裡學習具體的格式和風格，最後應用到新輸入上。

也可以完全不寫任務說明，直接給示範例子，讓 Claude 從例子裡自己推斷任務目標——這種方式適合任務本身從例子裡就能完全理解的情況，對複雜或有特殊要求的任務，最好還是加上說明。

示範的順序重要嗎？

研究顯示，放在最後（最接近新任務輸入）的示範對 Claude 的影響最大。這意味著：如果你的示範中有一個最能代表你期望格式的例子，把它放在最後。如果你的任務有「典型案例」和「邊緣案例」，把邊緣案例的示範放在後面，能讓 Claude 對邊緣案例的處理更準確。

在 Claude Projects 裡用 Few-Shot：如果你有固定的示範例子，把它們放在 Project Instructions 裡，這樣不需要每次對話都重複貼示範。這對有批量、重複性任務的用戶特別有用——設定一次示範，之後每次對話都自動帶著這些示範。

Few-Shot 和 Fine-tuning（微調）有什麼差別？什麼時候應該從 Few-Shot 升級到 Fine-tuning？

這是很多進階用戶會問的問題。兩者都是讓模型「學習你的特定風格或任務模式」的方法，但機制和成本完全不同：

Few-Shot：把示範例子放在提示詞裡，每次 API 呼叫都需要包含這些示範。優點：不需要任何訓練、可以隨時修改示範、成本主要是示範例子佔用的 Token 費用。缺點：示範例子佔用 Context Window 空間、每次呼叫都要傳輸示範內容。

Fine-tuning（微調）：用大量示範例子重新訓練一個模型，讓模型「內化」你的風格和任務模式。優點：不需要在提示詞裡帶示範（省 Context Window 和 Token 費用）、對特定任務的一致性更高。缺點：需要大量高品質的訓練數據（通常需要數百到數千個示範對）、訓練費用、訓練時間、和更新風格時需要重新訓練。

什麼時候應該升級到 Fine-tuning？

Few-Shot 在大多數情況下已經夠用。Fine-tuning 值得考慮的條件：你有非常特定的輸出格式，Few-Shot 效果不夠一致；你的任務量非常大（每月數十萬次 API 呼叫），每次帶示範的 Token 費用很高；你需要極高一致性的輸出（品質差異在 Few-Shot 下難以接受）。如果你不確定，先用 Few-Shot 驗證任務可行性，再評估是否值得投入 Fine-tuning 的成本。