智构学堂人工智能应用工程
返回路线

提示词、工具调用与工作流

少样本示例(Few-shot)、模板化与可复用提示词设计

35 分钟 · 进阶 · 会员章节

公开章节可直接阅读。登录后可同步阅读进度、保存笔记与高亮、完成章节测验。

学习目标

  • 理解少样本示例如何影响输出稳定性。
  • 能把一次性提示词改造成可复用模板。
  • 知道如何选择示例,避免过度填充上下文。

核心概念

少样本示例(Few-shot)是在提示词中给模型几个输入和输出示例,让模型模仿格式、判断边界或表达风格。它不是为了展示很多知识,而是为了锚定模式。

模板化是产品化提示词的基础。稳定部分包括任务说明、输出 schema、评分标准和安全边界;动态部分包括用户输入、当前上下文、语言、角色配置和业务参数。模板清楚,才能被测试、版本管理和复用。

示例质量比数量更重要。一个覆盖边界的示例,往往比三个重复的简单示例更有价值。

示例与拆解

任务:把用户反馈分为 bug、feature_request、billing 或 other。

模板:

1任务:将用户反馈分类,只返回 JSON。 2分类范围:bug, feature_request, billing, other。 3 4示例 1: 5输入:我点保存后页面一直转圈,刷新也没用。 6输出:{"category":"bug","evidence":"点保存后页面一直转圈"} 7 8示例 2: 9输入:希望课程页能按难度筛选。 10输出:{"category":"feature_request","evidence":"希望课程页能按难度筛选"} 11 12现在分类: 13输入:{feedback} 14输出:

如果用户输入是“为什么这个月扣了两次钱”,模型更可能输出:

{"category":"billing","evidence":"这个月扣了两次钱"}

示例让模型看到“不要写解释,只输出 JSON”的模式。

常见误区

  • 误区一:示例越多越好。过多示例会占用上下文,也可能引入噪声。
  • 误区二:只给简单正例。真实任务中的边界例更有训练价值。
  • 误区三:模板里混入一次性内容。动态变量应显式注入,避免下次复用时带入旧信息。

小练习

为“学习问题意图分类”设计一个提示词模板,包含 3 个分类和 2 个少样本示例。要求输出 JSON。

实操检查点

两个少样本示例必须覆盖不同边界:一个标准问题,一个容易误判的问题。写完后再补一个未放进示例的测试输入,看模型是否仍能输出同样字段。

1测试输入:我不是不懂 RAG,我是不知道为什么召回结果总是错。 2期望分类:troubleshooting 3证据:召回结果总是错

如果测试输入只能靠新增第三个示例才能工作,说明分类定义还不够清晰。

随堂测验

完成本章测验,重点检查你是否理解示例和模板的边界。

本章总结

少样本示例用示例稳定模式,模板化让提示词进入可复用、可测试、可维护的产品流程。

下一步学习指引

下一章学习工具调用,开始把模型输出连接到函数和业务动作。