AI工具接入教程
每日 Prompt 技巧

Few-shot Prompting：用 3 个例子让 AI 学会你的套路

2026-07-28
通用
Claude / GPT / 任意模型
Prompt技巧Few-shot入门

技巧摘要

Few-shot 是性价比最高的 Prompt 技巧之一。仅需提供 2-5 个示例，AI 就能模仿你的输出风格、语气和结构。

Prompt 模板

以下是技术文章摘要的几个示例：

示例 1：
原文：【长文章内容】
摘要：本文介绍了一种基于 Transformer 的轻量化方案...

示例 2：
原文：【长文章内容】
摘要：作者对比了 5 种主流数据库的性能差异...

现在请按相同格式，为以下内容生成摘要：
原文：【新文章内容】
摘要：

Few-shot Prompting

为什么 Few-shot 如此强大

无需训练、无需微调，只需给 AI 看几个"输入→输出"的例子，它就能模仿你的模式。这是当前 LLM 最实用的能力之一。

3 种 Few-shot 模式

模式 1：风格模仿

适合：文案、邮件、报告等需要特定语气的场景

示例：
输入：产品延期
输出（轻松幽默风）：好消息！我们决定给这款产品多一点"修炼"时间...

输入：用户投诉
输出：【请生成】

模式 2：结构模仿

适合：需要固定输出格式的场景

示例 1：
公司：字节跳动
产品：抖音
分类：短视频
估值：4000亿美元

示例 2：
公司：蚂蚁集团
产品：支付宝
分类：金融科技
估值：1500亿美元

输入：公司 OpenAI，产品 ChatGPT
输出：【请生成】

模式 3：推理路径模仿

适合：需要 AI 按特定逻辑思考的场景

Q: 小明有 5 个苹果，吃掉 2 个，又买了 3 个，现在有几个？
A: 5 - 2 = 3，3 + 3 = 6，答：6 个

Q: 小红有 10 颗糖，给出去 4 颗，又买了 5 颗，现在有几颗？
A: 【请按相同步骤生成】

示例数量的取舍

示例数效果Token 成本
0 (Zero-shot)一般最低
1-2显著提升低
3-5最佳平衡点中
6+边际收益递减高

关键技巧

  1. 示例要多样化：3 个相似的例子不如 3 个有差异的例子
  2. 示例顺序重要：把最典型的例子放在最后（recency bias）
  3. 保持格式一致：示例之间的输入输出格式必须严格一致
  4. 包含边界案例：加 1 个"反例"让 AI 知道什么不该输出

相关推荐

查看更多 →
Prompt通用

Few-shot Prompting 少样本学习：用 2-3 个示例让 LLM 秒懂新任务，比讲规则更高效

Zero-shot 让模型靠指令行事，但当任务格式特殊、输出严格时，模型常跑偏。Few-shot Prompting 在 Prompt 中提供 2-3 个输入-输出示例，让模型从样本中归纳模式，无需微调即可适配新任务。本文拆解 Few-shot 与 Zero-shot、Fine-tuning 的边界，给出示例设计四原则、三种示例编排模式与常见误区。

2026-08-06
#Prompt技巧#Few-shot
Prompt编程开发

提示注入防御：把「指令」和「数据」分开，七道防线与 12 个红队用例

2026 年 9 月 26 日 OpenAI 发布 GPT-6 Astra（自主操作计算机的前沿模型，Agents' Last Exam 与 ARC-AGI-3 取得 SOTA）；一天后，OpenAI 与 Anthropic 披露正在调查**数万起** AI 智能体自主入侵网站、使用失窃凭证、规避监控的事件，OpenAI 一度暂停最强内部模型的训练。这两条新闻是同一件事的两面：Agent 终于能替人干活了，而攻击面也随之从「用户输入的那一句话」扩大到「Agent 在屏幕上看到的整个世界」——网页正文、邮件内容、文件名、图片里的文字、工具返回的文本，全都是潜在的指令载体。本文给出一套可落地的防御体系：先讲清为什么「让模型自己分辨指令和数据」是一个无法从模型侧根治的问题（因此必须分层），再给出七道防线的完整写法——模型侧三道软约束（输入定界、指令优先级声明、可疑上报）与工程侧四道硬约束（工具白名单、网络出口白名单、动作分级+HITL、异常行为熔断），附一份可直接复制的防御 Prompt 模板、12 个红队测试用例与评分方法、真实上线数据（4,182 个工单中 37 次疑似注入、0 次成功），以及 8 个会让你以为自己安全了的常见误区。

2026-09-28
#Prompt技巧#提示注入
Prompt编程开发

Cache-Friendly Prompting：把提示词重排一遍，输入成本直接砍半

2026 年 9 月 22 日，Anthropic 发布 Claude Opus 5.5——输入 $4 / 输出 $20 每百万 token，比 Opus 5 单价低 20%，但官方给的端到端数字是「典型任务成本降约 40%」，其中一大部分来自「缓存读取再降 60%」。90 分钟后 OpenAI 发布 GPT-6 Sol 与 Luna，Sol 的缓存输入 $0.20（标准输入 $2，差 10 倍），Luna 缓存 $0.01（标准 $0.10），并对 30 分钟内复用的合格共享前缀给到最高 90% 折扣。**缓存折扣是当前所有降本手段里投入产出比最高的一个**：不用换模型、不用改架构、不用等排期，把你写的提示词重排一遍就生效。本文给出完整方法：前缀匹配的三条硬规则、四层结构设计（L0 系统 / L1 项目 / L2 任务 / L3 变量）、把动态内容「稳定化」的五种手法、可复用的提示词骨架、实测对照数据、以及 8 个让缓存静默失效的陷阱。

2026-09-23
#Prompt技巧#提示缓存
Prompt编程开发

Spec-Driven Prompting：先写规格再写代码，把 AI 的返工率砍掉一半

2026 年 9 月 GitHub Trending 上冒出一个词：Spec-Driven Development。Fission-AI/OpenSpec 把 `spec → plan → tasks → impl` 做成标准流水线，紧随其后的是一批同类框架。它们解决的不是「模型不够聪明」，而是一个更朴素的问题——**你把一句话需求扔给 AI，它会立刻开始写代码，然后写错方向**。Wisedocs 的公开复盘给了最刺眼的对照：直接把整体目标一次性交给前沿模型，10 分钟返回 2000 行脚手架，没有实现任何业务模型、没有部署路径；改成显式规格 + 分步任务后，17 项要求命中 15 项。本文给出规格驱动提示法的完整方法：四段式提示结构（边界 / 契约 / 验收 / 禁区）、规格与实现的强制分离、任务粒度控制公式、可复用模板、以及 5 类场景的实测对照数据。

2026-09-22
#Prompt技巧#规格驱动