📚 AI专家养成计划 · 第24篇（共140篇）
⏱️ 阅读时间：正文10-15分钟 + 地铁深读5-10分钟
🎯 适合人群：刚学完少样本学习理论，想动手练一遍的你
上篇回顾：少样本学习的核心
今天早课我们学了少样本学习（Few-Shot Learning），核心就三件事：
1. 什么是少样本——不是让AI”学新知识”，而是用几个例子告诉AI你要什么格式、什么风格、什么逻辑。
2. 三种模式——零样本（直接问）、一样本（给一个例子）、多样本（给两三个例子）。例子越多，AI越准确。
3. 什么时候用——当你的需求很难用语言精确描述时，”举例”比”描述”更高效。
💡 早课教你知道”是什么”，晚课带你动手”做一遍”。今晚我们不讲理论，只做一件事：练。
练习一：零样本 vs 少样本，差多少？
我选了三个日常场景，让你亲身感受”给不给例子”的差距。
场景A：把口语改成书面语
零样本提问：
请把下面这段话改成书面语：
“这个项目我觉得还行吧，就是进度有点慢，主要是人手不够，另外客户那边需求老改。”
AI可能会输出一段”中规中矩”的改写，但风格拿捏不准——有时太正式，有时又没变多少。
少样本提问：
请把下面这段话改成书面语，参考示例的风格：
>
示例：
口语：”说实话这方案我觉得一般，主要是成本太高了。”
书面：”综合评估，该方案在可行性方面表现尚可，但成本控制存在较大压力。”
>
现在请改写：
“这个项目我觉得还行吧，就是进度有点慢，主要是人手不够，另外客户那边需求老改。”
AI会精准地模仿示例的风格：用”项目整体表现尚可”、”人力资源配置不足”、”客户需求存在频繁变更”这样的表述。
差别在哪？ 零样本时AI在猜你要什么风格，少样本时AI直接看到了你想要的效果。一个在猜，一个在学。
场景B：把信息整理成表格
零样本提问：
请帮我整理以下信息：
“小王是前端开发，3年经验，会React和Vue；小李是后端开发，5年经验，会Java和Go；小张是测试，2年经验，会Selenium和JMeter。”
AI可能会输出各种格式：列表、段落、或者格式奇怪的表格。
少样本提问：
请把信息整理成表格，参考格式：
>
示例：
输入：”苹果，红色，5元一斤，很甜”
输出：
| 名称 | 颜色 | 价格 | 口感 |
|——|——|——|——|
| 苹果 | 红色 | 5元/斤 | 甜 |
>
现在请整理：
“小王是前端开发，3年经验，会React和Vue；小李是后端开发，5年经验，会Java和Go；小张是测试，2年经验，会Selenium和JMeter。”
AI会输出一个结构清晰的表格，包含”姓名、岗位、经验年限、技能栈”四列。
差别在哪？ 你不需要描述”表格应该长什么样”——例子已经替你说清楚了。
场景C：生成特定格式的回复
零样本提问：
客户说：”你们的软件经常崩溃，太差了！”请帮我写一封回复。
AI会写一封客服回复，但语气、长度、结构都不确定。
少样本提问：
请按以下风格回复客户投诉，参考示例：
>
示例：
客户：”物流太慢了，等了一周还没到！”
回复：”非常抱歉给您带来了不便。我已为您查询了物流信息，目前包裹已到达您所在城市的配送中心，预计明天送达。如您有紧急需求，我可以为您安排优先处理。感谢您的耐心等待。”
>
现在请回复：
客户：”你们的软件经常崩溃，太差了！”
AI会模仿示例的结构：先道歉 → 再给出具体行动 → 最后感谢。语气一致，长度适中。
🔑 练习小结：少样本学习的精髓是——你不需要完美地描述需求，你只需要给出一个好例子。例子是浓缩的需求说明书。
练习二：设计你自己的”例子模板库”
现在轮到你了。做下面这件事：
第一步：找一个你经常用AI做的任务
比如：写邮件回复、生成产品描述、翻译技术文档、生成SQL查询、写测试用例……
第二步：准备2-3个高质量例子
每个例子包含”输入 → 输出”的配对。关键是：
- 多样性：例子要覆盖不同的情况（简单/复杂、长/短、正式/随意）
- 一致性：所有例子的输出风格必须统一，否则AI会困惑
- 代表性：选最典型的场景，不要选边界case
第三步：拼成提示词模板
`
你是一位{角色}。
请根据以下示例，处理我的请求：
示例1：
输入：{输入A}
输出：{输出A}
示例2：
输入：{输入B}
输出：{输出B}
示例3：
输入：{输入C}
输出：{输出C}
现在请处理：
输入：{你的实际输入}
输出：
`
第四步：测试与迭代
用你的实际输入测试一次。如果结果不理想：
- 风格不对 → 检查例子之间的风格是否一致
- 格式不对 → 在例子中展示更明确的格式
- 逻辑不对 → 增加一个”边缘case”的例子
我的经验：一个好的例子模板库，能让你日常80%的AI任务效率提升3倍以上。花一小时整理，省一百小时返工。
练习三：少样本 + 思维链 + 角色设定 三合一
前面学了角色设定（Day09）、结构化提示词（Day10）、思维链（Day11）、少样本（今天）。现在把四个技巧融合在一起。
场景：你是一位产品经理，需要AI帮你把客户需求转化成技术规格。
融合提示词：
角色：你是一位资深产品经理，擅长将客户需求转化为技术团队可执行的规格说明。
>
任务：请将以下客户需求转化为技术规格文档。
>
示例1：
需求：”客户希望登录更快一些。”
技术规格：
– 需求编号：REQ-001
– 需求描述：优化用户登录流程性能
– 验收标准：登录响应时间 ≤ 1秒（当前为3秒）
– 技术方案：引入Redis缓存Session，启用SSO单点登录
– 优先级：P1
– 预估工时：3人日
>
示例2：
需求：”客户说报表数据不对。”
技术规格：
– 需求编号：REQ-002
– 需求描述：修复销售报表数据准确性问题
– 验收标准：报表数据与源系统100%一致
– 技术方案：排查ETL任务时区转换逻辑，修复数据聚合SQL
– 优先级：P0
– 预估工时：2人日
>
思考步骤：
1. 先理解客户的原始意图（客户真正想要什么？）
2. 识别技术实现的关键点
3. 设定可量化的验收标准
4. 给出优先级和工时评估
>
现在请处理：
需求：”客户想要在手机上也能审批报销单。”
看到了吗？角色设定了身份，例子展示了格式，思维链规定了推理步骤。四合一才是完整的提示词工程。
练习四：少样本常见陷阱
陷阱一：例子太少，以偏概全
只给1个例子，AI可能过度拟合这个例子的特征。
❌ 只给了一个”道歉邮件”的例子，AI以后每封邮件都道歉。
✅ 至少给2个例子，覆盖不同的情况。如果只能给1个，在提示词里补充一句：”这是格式参考，请根据实际情况调整内容。”
陷阱二：例子本身质量差
如果你给的例子有错误、有歧义、风格不一致，AI会照单全收。
❌ 例子A用”尊敬的先生”，例子B用”Hi哥们”——AI不知道该听谁的。
✅ 所有例子的风格、格式、语气必须统一。花时间打磨例子，回报巨大。
陷阱三：例子和任务不在一个”维度”
你给的例子是”翻译任务”，但实际请求是”摘要任务”。
❌ 示例：中英翻译…… 现在请帮我总结这篇文章。
✅ 例子和实际任务必须是同一类任务。如果你有多种任务类型，每种任务准备一个独立的模板库。
陷阱四：把例子当”标准答案”死记硬背
❌ “请严格按照示例的格式，一个字都不能改。”
这样做的结果是AI变成了”复印机”，遇到稍微不同的输入就出错。
✅ “请参考示例的风格和格式，根据实际内容灵活调整。”
课后作业
花15分钟做这件事：
- 选任务：找出你最常用AI做的一个任务
- 写例子：准备2个高质量的输入→输出例子
- 组装提示词：用今天的模板组装完整的少样本提示词
- 对比测试：先用零样本试一次，再用少样本试一次，把两个结果截图保存
- 存档：把这个提示词存到你的笔记里，以后直接复用
做完你会发现，好的例子比好的描述更值钱。
🚇 地铁深读：少样本学习的进阶玩法
“动态例子”——让AI自己选最合适的例子
如果你有一个很大的例子库（比如20个例子），不可能全部塞进提示词。怎么办？
两步法：先让AI根据当前任务，从库中选出最相关的2-3个例子，然后再用这些例子处理任务。
我有一个包含以下示例的库：
[示例1：邮件回复-投诉] [示例2：邮件回复-咨询] [示例3：邮件回复-合作] …
>
现在的任务是：”客户说发票金额有误，请处理。”
请先从上面的示例库中选出与此任务最相关的2个示例，然后用它们来生成回复。
这本质上是RAG（检索增强生成）的简化版。先检索，再生成。
“反向少样本”——从结果倒推好例子
你拿到一个AI产出的高质量结果，想让以后的输出都达到这个水平？
方法：把这个好结果当作”例子”存入你的模板库。下次直接用它作为few-shot示例。
更进一步：让AI分析这个好结果”好在哪里”。
以下是一个优秀的{领域}输出。请分析：
1. 这个输出在结构上有什么特点？
2. 语言风格上有什么值得学习的？
3. 如果我要准备类似的示例，应该注意什么？
>
[粘贴好结果]
AI会告诉你：结构上用了”总-分-总”、语言上”专业术语搭配口语化解释”、”每个观点都配了数据支撑”……这些洞察就是你准备新例子的指导原则。
少样本 vs 微调：什么时候该升级？
少样本学习是”在提示词里教AI”，微调是”在模型层面教AI”。
用少样本就够了的场景：
- 任务模式固定（格式化、分类、翻译风格）
- 例子数量 < 10
- 需要经常调整规则
该考虑微调的场景：
- 例子数量 > 50，提示词太长
- 需要学习领域专有知识
- 对响应速度有要求（微调后的模型不需要读大量例子）
大多数日常场景，少样本学习就够了。微调是更重的武器，别轻易动用。
推荐阅读
- 《Language Models are Few-Shot Learners》（OpenAI, 2020）——GPT-3的论文，首次系统展示了少样本学习的能力
- OpenAI Prompt Engineering Guide（官方文档）——有大量few-shot的实际案例
不需要读论文全文，重点看论文中的Table 3和Figure 3，直观感受”给1个例子、3个例子、10个例子”的准确率变化曲线。
今日小结
今天晚课我们做了四件事：
- 三个场景对比——口语改写、信息整理、客服回复，感受少样本的威力
- 设计模板库——给自己最常用的AI任务准备2-3个高质量例子
- 四合一融合——角色 + 结构化 + 思维链 + 少样本，完整的提示词工程
- 避坑指南——四个常见陷阱和纠正方法
记住：你不需要完美地描述需求，你只需要给出一个好例子。
下篇预告
明天早上8点：Day13——提示词进阶：复杂任务拆解
前面学了角色设定、结构化、思维链、少样本，四个工具单独使用都很强。明天教你把复杂任务拆成多个子任务，让AI”分步走”、”分角色走”，应对真正复杂的需求。
明晚5点：Day13——晚课 复杂任务拆解实战
*作者：攀岩者，技术总监，19年 IT 全栈实战。精通网络、安全、云计算、容器、数据库、超算，持证 PMP、ITIL、CKA、网络工程师、信息安全等级保护、AIX 天工计划。主导过多个千万级政务与智慧城市项目，从售前到交付全流程打通。热衷开源，日拱一卒，每天分享 AI 学习笔记，陪你从零基础到 AI 达人。*
发表回复