封面图

适合读者

  • 做文本分类和信息抽取的开发者
  • 想提升 Prompt 稳定性的技术博主

这篇文章解决什么问题？

示例太少、太偏或格式不一致，导致模型学错输出模式。

核心概念解释

  • few-shot
  • 示例覆盖
  • 反例
  • 格式一致性
  • 边界样本

实战步骤

  1. 设计任务定义
  2. 准备正例和边界例
  3. 固定输出格式
  4. 对比 zero-shot 与 few-shot 效果

Python 代码示例

本文配套 demo 会生成在：

cd examples/llm-guides/006_prompt_few_shot
python demo.py

示例代码遵循两个原则：

  • 从 OPENAI_API_KEY 读取密钥，不在代码里写死。
  • 没有 API Key 时自动进入 mock 模式，方便先理解流程。

核心调用方式可以简化成下面这样：

import os

api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
    print("未配置 OPENAI_API_KEY，进入 mock 模式。")
else:
    # 真实项目中在这里初始化 SDK 客户端并发起请求。
    print("已读取 OPENAI_API_KEY，可以调用模型。")

常见坑

  • 只跑通 Demo 就直接发布，缺少错误处理、日志和人工审核。
  • 把 API Key、真实路径、账号或业务数据写进文章和代码。
  • 没有区分 mock 示例和真实线上环境，导致读者复制后无法复现。
  • 引用 API 或框架能力时没有核对官方文档，版本变化后容易误导读者。

总结

  • 这篇文章围绕「大模型使用指南 06：Few-shot 示例怎么写才不会误导模型？」解决一个具体工程问题：示例太少、太偏或格式不一致，导致模型学错输出模式。
  • 实践时优先保证可复现、可回滚、可人工审核，不要只追求一次性生成效果。
  • 涉及模型能力、API 参数和第三方框架时，发布前需要重新核对官方文档。

CSDN 标签

Prompt、Few-shot、大模型、Python、NLP

公众号摘要

通过可复现实验说明 few-shot 不是堆例子，而是用代表性样本约束模型行为。

知乎标题变体

  • Few-shot Prompt 为什么有时反而变差？
  • 示例应该放几个才够？
  • 如何给大模型设计高质量示例？

参考资料与延伸阅读

  • OpenAI 官方文档：以你实际使用的模型、SDK 和账号权限为准。
  • Python 官方文档：环境变量、虚拟环境和异常处理部分。
  • 相关框架官方文档：LangChain、LlamaIndex、Haystack、向量数据库等按文章主题选择。