零基础可快速掌握few-shot提示技巧：用2～3个简洁、典型、格式统一的输入-输出样例引导ai模仿，辅以分隔符、明确指令、字段注释，并通过错误输出迭代优化样例。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
零基础也能快速上手 Few-shot 提示技巧，关键是用好“例子”来引导 AI 输出你想要的格式——不需要写代码、不依赖模型微调，只要在提问时附上 2～3 个清晰、一致的输入-输出样例，AI 就能准确模仿结构。
选对样例：简洁、典型、格式统一
样例不是越多越好，而是要精准反映目标格式。比如你想让 AI 把用户问题转成 JSON 格式，就别混用表格、段落或代码块。每个样例都保持相同字段顺序、键名风格（如全小写或驼峰）、值类型（字符串/布尔/数组）。
- ✅ 好样例：
输入：今天天气怎么样？
输出：{"intent": "weather", "location": null, "time": "today"} - ❌ 差样例：
输入：明天下雨吗？→ 输出：查询天气
输入：北京现在温度？→ {"city": "北京", "query": "temperature"}（格式不一致，键名混乱）
明确边界：用分隔符和指令强化格式意识
光靠样例有时不够，尤其当输入文本含标点、换行或特殊符号时。在 Few-shot 示例前后加上清晰分隔符（如 --- 或 ```json），并在开头加一句简短指令，能显著降低格式跑偏概率。
- 在提示最前面写：“请严格按以下 JSON 格式输出，不要添加额外说明或解释。”
- 样例之间用 --- 隔开，最后一个样例后也加 ---，再接当前待处理的问题
- 对关键字段加注释说明，例如："location": "城市名，若未提及则为 null"
验证与迭代：从错误输出反推样例缺陷
第一次没出对格式？别急着换模型，先看 AI 错在哪——是漏字段、键名拼错、还是把 null 写成空字符串？这些恰恰暴露了样例中隐含的歧义。针对性补一个修正样例，比重写十个更有效。
- 如果 AI 总把 "time" 输出成 "tomorrow" 而非 "tomorrow"，说明样例里 time 字段值太单一，补一个 "下周三" 的样例
- 如果 AI 在 JSON 外多加了“好的，已理解”这类话，就在指令里强调“只输出纯 JSON，无任何前导或后续文字”
- 把失败输出截图保存，和对应样例并排对比，很快就能发现哪条规则没被覆盖到
进阶提示：结合角色设定 + 格式约束更稳
Few-shot 不是孤立技巧。搭配角色设定（如“你是一个严格的 API 响应生成器”）和格式约束（如“必须包含 intent、entity、confidence 三个字段”），能让 AI 更专注执行，减少自由发挥。
- 角色设定提供行为预期，Few-shot 提供具体模板，二者协同提升稳定性
- 对必填字段，在样例中全部显式写出（哪怕值为 null），避免 AI 自作主张省略
- 可在末尾加一句：“若输入信息不足，对应字段填 null，不可省略或替换为其他值”
