Few-shot 样本怎么选：常见问题与反例对照
Few-shot 不是例子越多越好。选错样本，模型会复刻坏习惯。下面整理选型原则。
要几个例子？
从 1–3 个高质量例子开始。格式复杂再增加到能稳定复现为止，而不是堆到上下文极限。
要不要覆盖所有边界？
优先覆盖高频正确路径与 1 个关键反例（标注错误示范）。边界可用规则校验。
反例怎么写？
明确标注反例并写错在哪里。只丢坏输出不说明，模型可能当正例学。
迷你清单
- 正例可直接当模板
- 有成功标准
- 反例有错因
- 删掉过时业务细节
例子质量比数量重要
一个结构正确、标注清晰的例子，往往胜过五个风格漂移的长文。若任务含分类标签，确保例子里的标签集合与线上一致，避免模型发明新标签。
与思维链的关系
若你需要逐步推理，可在例子中展示简短推理格式，但要防止把敏感链式内容泄露给终端用户。对用户可见输出与内部推理字段分开。
维护
业务规则一变，旧例子可能变成负资产。设一个「例子最后核查日期」，过期就重选。AI 可以帮你检查例子是否仍符合新标准，但替换决定由你来。
多语言与多语气
若线上要同时支持正式与轻松语气，例子里应分别给出，并在指令中说明如何选择。不要指望模型从混杂例子中「自己悟」。对受监管行业，例子还需避免暗示违规承诺；发现例子含不当承诺要立刻下架。
小结
Few-shot 是在用例子编程。例子即代码，也需要评审与回归。谁都可以往提示词里塞两段样例，但能维护样例质量的人，输出稳定性会差一截。把样例评审写进你的提示词变更流程。
若例子来自真实客户文本，务必脱敏；否则你在用提示词泄露隐私。
补充实践
评估新例子时，用同一批盲测题对比加入前后的格式合格率与要点覆盖率，用小样本也能看出方向，不必幻想一次完美。
落地时建议你先小范围试用一周，把卡点记下来再改模板。不要指望一篇文章覆盖所有例外；把例外写进你们团队的备注区即可。与同事对齐时，优先示范一次完整流程，比只发链接更有效。本文主题「prompt fewshot selection faq」只提供方法骨架，细节以你的现场约束为准。
例子更新后做一次回归：旧盲测题不应无故大面积变差，否则说明新例子引入了冲突信号。