第5章给AI举例子

约 2867 字大约 10 分钟

2026-06-09

这一章来聊聊怎么通过"举例子"让 AI 秒懂你的意思。你想想，教一个新员工做事，光说规则他可能懵，但给他看几个做得好的案例，他立马就学会了。跟 AI 也是一样的道理。

5.1 为什么举例子这么管用？

先打个比方：你去理发店剪头发。

方式 A：纯靠文字描述

"我要那种上面稍微短一点，两边推上去，刘海不要太长但也不能太短，整体看起来精神一点。"

理发师听完：嗯……他到底想要啥？

方式 B：直接掏出一张照片

"就照这个剪。"

理发师一看照片：明白了！

AI 也是一样的。你跟它说"要正式一点"、"要有深度"、"要接地气"，这些词太抽象了，每个 AI 的理解可能都不一样。但如果你直接给它看一个你满意的例子，它瞬间就知道你想要什么了。

这个方法在学术界有个名字叫 Few-shot Learning（少样本学习），说白了就是"通过少量例子来学习"。听起来很高级，其实就是——给 AI 看几个例子。

5.2 Zero-shot、One-shot、Few-shot：到底给几个例子？

根据你给的例子数量，有三种叫法：

名字	中文意思	给几个例子	什么时候用
Zero-shot	零样本	0 个，纯指令	简单任务，AI 本来就会的
One-shot	一样本	1 个例子	想让 AI 模仿某个风格
Few-shot	少样本	2-5 个例子	复杂格式、特殊要求、特定风格

举个例子感受一下区别

假设你想让 AI 帮你把"商品评价"分成"好评"和"差评"两类。

Zero-shot（不给例子）：

请判断以下商品评价是好评还是差评：
"这手机用了一个月就坏了，续航也差"

AI 大概率能分对，但这种简单任务本来就不需要例子。

One-shot（给一个例子）：

请根据例子判断商品评价是好评还是差评。

例子：
评价："物流超快，第二天就到了，质量也很好！"
分类：好评

现在请判断：
评价："这手机用了一个月就坏了，续航也差"
分类：

给了一个例子之后，AI 不仅能分类，还会模仿你例子的输出格式。

Few-shot（给多个例子）：

请根据例子判断商品评价是好评还是差评。

例子1：
评价："物流超快，第二天就到了，质量也很好！"
分类：好评

例子2：
评价："跟图片差太多了，颜色发暗，不值这个价"
分类：差评

例子3：
评价："还行吧，对得起这个价格，但也没什么惊喜"
分类：好评（中偏上）

例子4：
评价："客服态度极差，问个问题半天不回"
分类：差评

现在请判断：
评价："包装不错，但东西一般般，凑合用吧"
分类：

多个例子之后，AI 不仅学会了分类，还学会了你对"好评"和"差评"的判断标准——比如"还行"、"凑合"在你这里算好评。

小发现

看到了吗？第三个例子我故意标了"好评（中偏上）"，这其实是在教 AI 我的个人标准——中性偏正面的评价，我也算好评。这就是举例子的威力：你能通过例子传达那些很难用文字描述清楚的"感觉"。

5.3 例子越多越好吗？

并不是！

一般的规律：

0 个例子：适合简单任务，比如"翻译一下这句话"
1 个例子：适合想控制输出格式，让 AI 知道你想要什么"形状"的结果
2-3 个例子：适合想要特定风格、特定标准的情况（大多数场景的最佳选择）
5 个例子：适合特别复杂、需要学很多细节的任务
超过 5 个：一般没必要了，性价比很低，还浪费你的 Token（也就是你的钱）

注意

例子太多反而会"稀释"重点。就好比你给新员工看了 20 个案例，他可能反而更懵了——"到底哪个才是标准？"2-3 个精心挑选的例子，效果远好于 10 个随意的例子。

5.4 怎么挑选好的例子？

不是随便拿几个例子扔给 AI 就行的。好的例子要满足这几个条件：

标准	什么意思	举个例子
代表性	例子要能代表你真正想要的	想要正式风格，就别给口语化的例子
多样性	别几个例子都太像	好评、差评、中性评价都要有
清晰度	例子的输入和输出要一一对应	"评价：xxx → 分类：好评"，对应关系要明确
正确性	例子本身必须是正确的	你给的例子分类就是错的，AI 也会跟着学错

挑选例子的实操步骤

先想清楚你的标准是什么——比如我觉得什么算"写得好"
找 2-3 个你觉得最好的案例——不要找太多
把每个案例拆成"输入→输出"的格式——让 AI 能清楚地看到对应关系
检查一下例子之间有没有冲突——别一个例子说"要简洁"，另一个例子又啰嗦得很

5.5 什么时候举例子最有用？

举例子不是万能的，有些场景特别适合，有些场景用不着。

特别适合的场景

场景	为什么适合	怎么用
格式化输出	AI 需要知道你想要的"形状"	给一个你满意的输出格式例子
风格模仿	"风格"很难用文字描述	给一篇你觉得风格对的文章
分类任务	标准"因人而异"	给几个分类好的例子，让 AI 学你的标准
创意写作	想让 AI 模仿某个人的文风	给几段那个人的文章
数据分析	你想要的图表或报告格式很特殊	给一个模拟的输出样子

不太需要的场景

简单问答："中国的首都是哪里？"——这种不需要例子
翻译："把这句话翻成英文"——AI 本来就会，不用教
纯信息查询："今天天气怎么样？"——直接问就行

5.6 实战：教 AI 一个自定义格式

假设你想让 AI 帮你写"每日复盘笔记"，你有一个自己习惯的格式。光用文字描述可能不够清楚，那就用例子来教它。

如果只用文字描述：

帮我写每日复盘笔记，包括今天做了什么、学到了什么、明天打算做什么。

AI 可能会给你写出各种不同的格式，不一定是你想要的。

用例子来教：

帮我写每日复盘笔记，请参考以下格式：

【例子】
📅 2024年3月15日 星期五

✅ 今天完成了：
- 完成了项目方案的初稿
- 跟客户确认了需求变更
- 晚上看了30页书

💡 收获与反思：
- 客户沟通时要多问"为什么"，不要急着答应
- 写方案前先列大纲，效率确实更高

📋 明天计划：
- 修改方案，加入客户的新需求
- 下午2点跟设计团队开会
- 下班后去跑步30分钟

现在请帮我写 2024年3月16日 的每日复盘笔记，以下是今天的信息：
- 完成了：方案修改、团队会议、整理了上周的笔记
- 反思：团队沟通效率不高，下次会前先发议程
- 明天：提交方案终稿、回复客户邮件、学习Prompt Engineering第5章

你看，给了一个完整的例子之后，AI 就学会了：

你用 emoji 做分隔
你喜欢分三个板块
每个板块下面用列表
反思部分要有具体的事和感悟

这些细节，你如果全用文字描述，可能得写一大段。一个例子顶千言万语。

5.7 常见的坑

坑一：例子和实际任务不匹配

你给的例子是"中文好评/差评分类"，但实际任务给的是英文评价。AI 可能会搞混。

解决办法： 例子的语言、风格、领域要跟实际任务一致。

坑二：例子本身质量差

你随便找了个不太好的例子扔给 AI，AI 学到的就是"不太好的标准"。

解决办法： 每个例子自己先检查一遍，确保它确实是你想要的。

坑三：给的例子太多太杂

10 个例子，风格各异，标准不一，AI 反而不知道该听哪个的。

解决办法： 精选 2-3 个最有代表性的例子就够了。

5.8 动手试试：用例子教 AI

来做一个练习。假设你想让 AI 帮你写"种草文案"，你先找了两篇你觉得写得好的：

练习题：用 Few-shot 的方式，让 AI 学会写种草文案

提示：你需要——

先给 2 个你觉得好的种草文案作为例子
然后告诉 AI 你要推荐什么产品
让 AI 模仿例子的风格来写

点开看参考答案

请学习以下两篇种草文案的风格，然后帮我写一篇新的。

【例子1】
OMG 姐妹们！！！这个防晒霜我真的跪了 🧎‍♀️
之前买的防晒不是假白就是油腻，这个完全不会！
涂上去秒成膜，一点存在感都没有
而且 SPF50+ PA++++，夏天户外完全够用
我已经回购第三支了，真的离谱...
💰 价格：89元/支 | 推荐指数：⭐⭐⭐⭐⭐

【例子2】
终于找到了我的命定口红了啊啊啊 💄
这个色号是 #312 奶油杏仁，温柔到犯规
上嘴是那种"天生好气色"的感觉
质地超滋润，不起皮不卡纹
上班涂、约会涂、见家长涂都完全不违和
唯一的缺点就是……太容易用完了哈哈
💰 价格：129元 | 推荐指数：⭐⭐⭐⭐⭐

现在请用同样的风格，帮我写一篇推荐"无线蓝牙耳机"的种草文案。
产品信息：品牌 XYZ，降噪效果特别好，续航30小时，价格 299 元。

小结

要点	一句话总结
为什么要举例子	一个例子顶千言万语，比纯文字描述效果好得多
Zero-shot	不给例子，适合简单任务
One-shot	给 1 个例子，适合控制输出格式
Few-shot	给 2-5 个例子，适合学风格、学标准
例子数量	2-3 个最佳，超过 5 个性价比很低
挑例子的标准	代表性、多样性、清晰度、正确性
最适合的场景	格式化输出、风格模仿、分类任务
不太需要的场景	简单问答、翻译、信息查询

下一章来聊聊怎么让 AI 一步一步想问题，答案的质量会高很多！点这里去看第6章

第5章 给AI举例子

第5章给AI举例子