搜尋意圖： 如果你在找「少樣本提示 是什麼」或「少樣本提示 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 在提示詞中提供少量（通常 2-10 個）輸入輸出範例，引導語言模型依照示範格式完成任務的提示技術。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
在提示詞中提供少量（通常 2-10 個）輸入輸出範例，引導語言模型依照示範格式完成任務的提示技術。
少樣本提示（Few-shot Prompting）的概念最早由 GPT-3 的論文《Language Models are Few-Shot Learners》（2020）正式提出，Brown 等人的研究表明，大型語言模型具備從少量情境範例中推斷任務的強大能力，開啟了情境學習（In-context Learning, ICL）的研究方向。
基本概念：零樣本、單樣本、少樣本
提示工程依範例數量分為三種基本模式：
- 零樣本（Zero-shot）：不提供任何範例，直接要求模型完成任務。依賴模型的預訓練知識。
- 單樣本（One-shot）：提供一個範例。
- 少樣本（Few-shot）：提供 2 至 10 個（有時更多）範例。
少樣本提示的結構
標準格式：
任務說明（可選）
### 輸入：<範例 1 的輸入>
輸出：<範例 1 的輸出>
### 輸入：<範例 2 的輸入>
輸出：<範例 2 的輸出>
### 輸入：<目標輸入>
輸出：
範例：情感分析
將以下評論分類為正面或負面。
評論：這家餐廳的服務很棒，食物也非常美味！
分類：正面
評論：等了 40 分鐘，食物還是冷的，絕對不會再來。
分類：負面
評論：價格合理，但環境略嘈雜，下次可能會再試試。
分類：
為什麼少樣本提示有效
大型語言模型透過大規模語料庫的預訓練，習得了廣泛的模式識別能力。少樣本範例在情境中提供了「任務規範」，讓模型理解：
- 任務的格式與輸出結構
- 所需的風格（正式/非正式、詳細/簡短）
- 領域或術語的偏好
- 邊界案例的處理方式
範例選擇的關鍵原則
- 多樣性（Diversity）：範例應涵蓋任務的不同子類型與邊界情況，避免全部是同一種情況。
- 代表性（Representativeness）：選擇最能代表目標任務分布的範例，不選極端或罕見案例。
- 平衡性（Balance）：分類任務中各類別應有均衡的範例數量，避免偏誤。
- 相似性（Relevance）：範例應與目標輸入的語義或結構盡可能相近（動態少樣本選擇）。
- 排列順序：研究顯示範例的排列順序會影響結果，通常建議最後一個範例與目標輸入最相似。
進階變體
- 動態少樣本選擇（Dynamic Few-shot Selection）：不使用固定範例，而是從範例庫中根據目標輸入的語義相似度動態選取最相關的範例（如使用嵌入向量相似度搜尋）。
- 思維鏈少樣本提示（Few-shot Chain-of-Thought, CoT）：在範例的輸出中包含逐步推理過程，引導模型在回答前先展開推理步驟，特別適用於數學推理、邏輯推斷等任務。
- 自動少樣本選擇（Auto-CoT）：讓模型自動生成推理鏈，再從中選取高品質範例。
少樣本提示的限制
- 上下文視窗限制：範例佔用輸入 Token，過多範例可能超過模型的上下文視窗，或擠壓目標輸入的空間。
- 推理成本：更長的提示詞消耗更多 Token，增加 API 呼叫費用。
- 範例品質敏感性：低品質或標記錯誤的範例會顯著降低模型輸出品質，「垃圾進，垃圾出」同樣適用。
- 複雜推理仍有限制：少樣本提示對複雜多步驟推理的提升有限，可能需要搭配思維鏈（CoT）或工具使用。
與微調（Fine-tuning）的比較
少樣本提示在情境中學習，無需修改模型權重，靈活性高、部署成本低，但效果通常不如針對特定任務的微調模型。微調模型在推理時不需要在提示詞中攜帶範例，節省 Token 消耗，且在大量特定格式或知識的任務上表現更穩定。在實務中，若任務範例少於數百個且對格式一致性要求不極端，少樣本提示通常是更經濟的起點。
典型應用場景
- 特定格式的文字輸出（如 JSON 生成、表格摘要）
- 術語翻譯或特定風格的文字改寫
- 意圖識別與分類（客服情境）
- 程式碼生成的格式與風格統一
- 資料提取（從非結構化文字提取特定欄位）
常見問題
少樣本提示應該提供多少個範例效果最好？
沒有適用所有任務的最佳數量，一般建議從 2-5 個範例開始，並透過實驗比較效果。研究顯示，範例數量帶來的提升在初始幾個最為明顯，超過 8-10 個後往往邊際效益遞減，且會消耗更多上下文視窗。關鍵在於範例的多樣性與代表性，而非純粹的數量。若任務有多個不同子類型，確保每個子類型至少有一個範例往往比單純增加總數更有效。同時需考慮模型的上下文視窗大小與 API 費用，在效果與成本之間取得平衡。
少樣本提示和微調（Fine-tuning）什麼時候該選哪個？
少樣本提示適合：快速原型驗證（無需訓練時間）、範例數量有限（幾十個以內）、任務格式簡單且一致、需要靈活切換不同任務、或預算有限不適合微調。微調適合：有數百至數千個高品質標記範例、對輸出格式的一致性要求極高（如嚴格的 JSON schema）、需要注入預訓練模型未覆蓋的專業知識、推論時需要節省 Token 成本（微調後不需要在提示中放範例），或對延遲要求極高（較短提示推論更快）。實務上推薦先用少樣本提示快速驗證任務可行性，再評估是否值得投入微調的成本。
範例的順序對少樣本提示結果有影響嗎？
有影響。研究表明，範例的排列順序會影響大型語言模型的輸出結果，這種現象稱為「順序偏差（Ordering Bias）」。具體來說，模型往往對序列中最後出現的範例記憶更深（近因效應）。因此，一個常見的策略是將與目標輸入最相似的範例放在最後。此外，若分類任務的範例按同一類別連續排列（AAABBB 而非 ABABAB），可能導致模型對最後出現的類別有偏好。在高精度要求的應用中，建議使用多次打亂順序後平均結果（Ensemble）或使用動態範例選擇來降低順序偏差的影響。