01 · 为什么用例子比用文字描述更有效
你有没有经历过这样的场景：给AI描述"我要一份专业、正式、简洁有深度的报告总结"，但收到的结果却不是你想象的那样？然后你给它一个真实的例子，它瞬间就懂了。
这不是巧合。这是人类语言的固有歧义和AI的模式匹配本质之间的碰撞。
"专业"对谁来说都不一样——律师的专业和视频编导的专业是两码事。"深度"可以是学术深度、业务洞察深度、或是情感深度。语言本身就充满了主观的想象空间。
但一个例子呢？它是具体的、无法歧义的、可以被直接复制的模式。大模型本质上就是一个超强的模式匹配机器——给它看过什么，它就能学着生成接近的东西。所以"我要像这样的"永远比"我要专业正式简洁有深度的"更有用。
这就是少样本提示词的核心威力。
02 · 少样本的威力：从 Zero-shot 到 Few-shot
少样本提示词之所以强大，是因为它能处理"零样本"解决不了的问题——尤其是那些有歧义、有边界情况的分类任务。让我们用一个真实的场景来看看差异：
❌ 修改前（零样本）
任务：请将以下客户反馈分类为正面或负面
示例反馈：
"产品不错，但有点贵"
AI 的判断
AI 可能把它分类为"正面"，因为开头说了"不错"。但其实用户的真实态度是有保留的。
问题：
AI 容易被关键词引导，忽视整体语气和背景。对边界情况处理不准。
✓ 修改后（少样本）
任务：请将以下客户反馈分类为正面或负面
例子1（虽然表述委婉，但是负面）：
反馈："这个功能思路很不错，不过实现得还有些问题。"
分类：负面（识别出了问题>思路>
例子2（虽然带有批评，但是正面）：
反馈："相比之前的版本，这次真的改进太大了！当然还有细节需要打磨。"
分类：正面（整体满意，建议是改进而非问题）
现在分类这个：
"产品不错，但有点贵"
AI 的判断
AI 看了例子后明白了：
- 要看整体态度，不只是关键词
- 要区分"问题指出"vs"改进建议"
- 要理解语气的隐含意思
分类结果：正面（价格高是客观事实，不是否定）
结果：
准确率从 60% 跃升到 95%+。关键是示例覆盖了"容易混淆的边界情况"。
少样本的核心价值：不是让 AI 变聪明，而是让 AI 理解你对"边界情况"的判断标准。一个好的例子胜过千言万语。
03 · 少样本提示词（Few-shot）原理与实战
什么是少样本，为什么要分0-shot/1-shot/3-shot
Zero-shot：直接告诉AI你要什么，不提供任何例子。最快，但对于有特定风格、格式、或复杂逻辑的任务，效果往往一般。
One-shot：给一个例子。通常足以让AI理解你的"品味"和基本模式。
Few-shot（通常3-5个例子）：给多个例子，覆盖不同的变体或难度等级。在需要高精度的任务中，这是最保险的选择。
什么时候该给例子
- 风格任务：写文案、翻译、改写——一定要给例子
- 格式任务：生成特定的JSON、表格、列表——一个例子通常就够
- 复杂规则：多步骤的逻辑、分类标准、评分体系——3-5个例子最佳
- 简单事实查询："2024年全球GDP是多少"——不需要例子，反而可能引入噪音
例子的选择原则
代表性：你给的例子应该是你最希望AI重复的风格。如果你给的例子写得很差，AI就会学着写得很差。
多样性：不要全选简单情况，也要包含边界情况或较难的变体，这样AI才能学会"举一反三"。
质量第一：宁可给1个完美的例子，也不要给5个平庸的例子。
实战对比
❌ 效果一般
帮我写一条产品文案，要吸引人，有创意。
✓ 效果显著
参考以下文案风格，帮我再写一条：
「其实你不是讨厌早起，你只是讨厌被闹钟吓醒。智能渐进式闹钟，5分钟温和唤醒，陪你告别天亮前的绝望。」
给出一个真实的例子，AI的模仿精准度能提升50%以上。
三样本提示词实例
Few-shot 示例
原文：科技公司发布了新款芯片，性能提升30%，功耗降低20%。
总结：新芯片在性能与能效间找到平衡。
原文：政府通过新法规，引发行业分歧，支持者和反对者都在表态。
总结：新政策激化行业内部分歧。
原文：初创公司获得融资，用于扩展产品线，竞争对手质疑其商业模式。
04 · 模板化思维：把反复做的任务固化下来
什么样的任务值得做成模板
模板不是为了偷懒，而是为了建立可重复且可靠的标准。如果一个任务：
- 你每周都要做至少1次
- 它有相对固定的结构和输出格式
- 质量直接影响工作成果或品牌形象
那它就值得被模板化。
模板的四个组成部分
1. 场景说明：这个任务的背景是什么，谁会用它，什么时候用。
2. 角色定位：你希望AI扮演什么角色（如"资深编辑"、"产品经理"、"客服代表"）。
3. 任务描述：具体要做什么，输入是什么，预期产出是什么。
4. 格式约束：字数、结构、排版、语气等的具体要求。最好配上1-2个例子。
三个可直接使用的通用模板
模板A：工作邮件生成器
工作邮件模板
角色：资深商务人士
场景：撰写回复邮件
要求：
- 语气：专业、礼貌、但不过分正式
- 长度：300-400字
- 结构：开场致谢→核心内容→行动号召→结尾
例子：
感谢您的咨询。我已将您的需求转发给销售团队，会在48小时内发送详细报价。...
模板B：会议纪要整理器
会议纪要模板
输入：会议录音转录或手写笔记
输出格式：
- 参与人员（2行）
- 核心议题（100字以内）
- 决议项（3-5条，每条25字以内）
- 待办事项（谁/做什么/截止日期）
- 下次会议时间
语气：简洁、清晰、无废话
模板C：周报生成器
周报模板
结构：
1. 上周完成项目（3-5条，附优先级）
2. 遇到的挑战及解决方案
3. 下周计划（按优先级排列）
4. 需要支持的地方
字数：600-800字
目标受众：直接主管 + 部门主任
05 · 模板的局限和动态调整
模板太死板的风险
过度依赖模板会让你的工作显得机械、缺乏灵活性。有些时候，你需要打破模板去适应特殊情况——比如一份紧急且特殊的项目，不该被强行套进"周报"的框子里。
给模板留"变量槽"
好的模板是既有结构，又有弹性的。你可以在提示词里明确说明哪些部分是"可选的"或"可调整的"：
灵活的模板写法
核心框架：开场→核心→结尾（必须）
可选项：
- [如果涉及预算，加成本分析段落]
- [如果有争议，加风险评估段落]
- [如果时间紧张，缩短为500字版本]
何时该打破模板
当你发现某类任务的需求频繁超出模板框架、或者模板的输出质量明显不满足最近的新需求，那就是更新或重建模板的时候了。不要盲目遵循旧模板。
06 · 建立你的提示词资产库
不是收藏别人的，而是沉淀自己的
网上有很多"超级提示词"，但对你来说最有价值的，一定是你自己在真实工作中试出来、验证过的那些。建立资产库的目的，是为了积累你的工作知识，而不是囤积未经实验的模板。
推荐的记录格式
用一个简单的文档（Markdown、Notion或Excel都可以），按以下信息组织：
- 任务名称：什么任务用得上
- 提示词：完整的prompt
- 成功率：用这个prompt，有多少比例能得到满意的结果
- 最后更新日期：什么时候调整过
- 注意事项：什么情况下效果不好
如何分类组织
按你的工作领域分，比如"内容写作"、"数据分析"、"客户沟通"等。每个分类里再按难度排序。定期（比如每个月）回顾一遍，删除没用过的、升级成功率高的。
你的提示词库就是你的AI工作杠杆。越详细越有用。
练习：建立你的第一个模板
- 选择你工作中每周重复至少2次的任务
- 用"场景+角色+任务+格式"的四部分框架写出它的模板
- 准备2-3个实际的例子作为参考
- 用这个模板给AI一个新的输入，看结果是否满足预期
- 根据反馈调整模板的措辞，再试一次