Prompt工程03：示例驱动

示例驱动是 Prompt 工程中最有效的技巧之一。给模型提供好的示例，相当于告诉它”我想要的结果长这样”，比用文字描述更直接、更准确。

为什么示例如此重要

大模型擅长模式匹配，但不擅长理解抽象规则。示例就是把抽象规则变成具体模式，让模型更容易模仿。

文字描述 vs 示例

文字描述：

将中文句子翻译成英文，要保持语义准确，语气自然。

带示例：

将中文句子翻译成英文：

输入：今天天气真好。
输出：The weather is nice today.

输入：我喜欢编程。
输出：I love programming.

输入：人工智能正在改变世界。
输出：

维度	文字描述	示例驱动
理解难度	高	低
输出一致性	差	好
格式准确度	低	高
学习成本	高	低

Few-shot 学习

Few-shot 学习是给模型提供少量示例，让它从示例中学习任务模式。

什么是 Few-shot

Few-shot = 少量示例 + 任务说明 + 测试输入

任务：将产品名称转换为描述性标题

示例1：
输入：无线耳机
输出：高保真音质 | 主动降噪 | 无线蓝牙耳机

示例2：
输入：机械键盘
输出：RGB背光 | 青轴手感 | 全尺寸机械键盘

示例3：
输入：智能手表
输出：健康监测 | 运动追踪 | 智能穿戴手表

测试：
输入：便携音箱
输出：

示例数量的影响

示例数量	效果	适用场景
0-shot	无示例，直接让模型做	简单任务
1-shot	1个示例	简单任务，格式明确
3-5 shot	3-5个示例	大多数任务
10+ shot	10个以上示例	复杂任务，多格式

经验法则：从3个示例开始，根据效果增加或减少。

Few-shot 的技巧

1. 示例多样性：覆盖不同情况，避免模型过度拟合示例
2. 示例质量：示例本身要高质量，错误示例会误导模型
3. 示例顺序：先给简单示例，再给复杂示例
4. 格式一致性：所有示例格式保持一致

反例的作用

反例告诉模型”我不想要什么”，有时比正例更重要。

何时需要反例

场景	反例作用
容易产生特定错误	展示错误形式，避免重复
输出需要精确格式	展示错误格式，强调正确格式
需要排除某些内容	展示要排除的情况

反例示例

任务：提取文章中的技术术语

正例：
输入：Java 虚拟机使用垃圾回收机制管理内存。
输出：Java 虚拟机, 垃圾回收

反例：
输入：这篇文章介绍了如何使用 Java 编程。
输出：（空，因为"Java"在这里是泛指，不是技术术语）

测试：
输入：Spring Boot 框架通过自动配置简化了应用开发。
输出：

反例的形式

形式	示例	适用场景
错误输出	展示错误结果	格式错误、内容错误
排除说明	”不要包含XXX”	需要排除特定内容
边界说明	”当XXX时，输出空”	边界条件处理

边界样例

边界样例是测试模型能力极限的示例，确保模型在边缘情况下也能正确处理。

常见边界情况

边界类型	示例	处理方式
空输入	输入为空字符串	返回默认值或提示
超长输入	输入超过 Token 限制	截断或提示
极端格式	非标准格式输入	容错处理或提示
歧义输入	有多种解释的输入	追问或默认处理
特殊字符	包含特殊符号的输入	转义或过滤

边界样例示例

任务：解析日期字符串

示例1（正常）：
输入：2024-01-15
输出：{"year": 2024, "month": 1, "day": 15}

示例2（边界-空）：
输入：
输出：{"error": "日期不能为空"}

示例3（边界-格式错误）：
输入：2024/13/32
输出：{"error": "无效日期格式"}

示例4（边界-歧义）：
输入：01-15
输出：{"year": null, "month": 1, "day": 15, "warning": "年份缺失"}

测试：
输入：2024-02-30
输出：

格式锚定

格式锚定是通过示例固定输出格式，确保模型输出符合预期。

为什么需要格式锚定

• 模型输出格式不稳定
• 需要后续程序解析输出
• 需要统一的输出结构

格式锚定技巧

技巧	示例	效果
明确分隔符	”用---分隔每个结果”	避免结果混在一起
使用标签	”用和包裹”	便于提取
固定字段	”输出必须包含name和value字段”	确保完整性
禁用额外内容	”只输出JSON，不要解释”	避免多余文字

格式锚定示例

任务：提取用户信息，输出JSON格式

示例：
输入：用户张三，年龄28，邮箱zhangsan@example.com
输出：{"name": "张三", "age": 28, "email": "zhangsan@example.com"}

注意：
- 只输出JSON字符串，不要包含其他文字
- 年龄必须是数字类型
- 邮箱必须是字符串类型

测试：
输入：用户李四，年龄30，邮箱lisi@company.cn
输出：

示例选择策略

选择好的示例是示例驱动的关键。

示例选择原则

原则	说明	示例
代表性	覆盖常见情况	正常输入、边界输入、错误输入
多样性	包含不同类型	不同格式、不同长度、不同领域
准确性	示例本身正确	避免错误示例误导模型
简洁性	示例不要太长	聚焦核心模式
相关性	与测试输入相关	示例和测试在同一领域

示例组织方式

[任务说明]

[正例1]
输入：...
输出：...

[正例2]
输入：...
输出：...

[反例1]
输入：...
输出：（错误示范）
说明：为什么错误

[边界示例1]
输入：...（边界情况）
输出：...

[测试输入]
输入：...
输出：

常见问题与解决方案

问题1：示例太多导致 Token 浪费

表现：示例占用大量 Token，影响输入内容

解决方案：

• 精简示例，只保留必要信息
• 使用代表性示例，避免重复
• 考虑使用 Fine-tuning 替代 Few-shot

问题2：示例不够导致输出不稳定

表现：模型输出格式不一致

解决方案：

• 增加示例数量
• 添加反例和边界示例
• 使用格式锚定

问题3：示例偏差导致模型偏见

表现：模型输出偏向示例中的特定模式

解决方案：

• 增加示例多样性
• 确保示例覆盖不同情况
• 定期审查示例是否有偏见

问题4：示例过时导致输出错误

表现：示例中的信息已过期

解决方案：

• 定期更新示例
• 使用动态示例（从知识库获取）
• 在示例中注明时间范围

项目判断清单

• 输出格式不稳定 → 使用格式锚定示例
• 需要处理复杂逻辑 → 使用 Few-shot，增加示例数量
• 容易产生特定错误 → 添加反例
• 需要处理边缘情况 → 添加边界示例
• Token 预算有限 → 精简示例，使用代表性示例
• 输出需要程序解析 → 严格格式锚定
• 示例效果不好 → 检查示例质量和多样性