教AI"照猫画虎"的终极技巧：Few-shot示例注入

/app/data/所有对话/主对话/cover-prompt-alchemy-03.jpg

上两期我们学了思维链和角色嵌套，今天聊一个看起来最简单、但效果最炸裂的技巧——

给AI看几个例子，让它照着写。

学术上叫 Few-shot Learning（少样本学习），但我们不整术语。

你就记住一句话：与其花500字描述你要什么，不如直接给AI看2-3个例子。

为什么"给例子"比"说要求"更管用？

先说一个真实场景。

你想让AI帮你写产品标题，于是你写了一大段提示词：

"请帮我写电商产品标题，要求：简洁有力，突出卖点，有情感共鸣，不要太长，最好有数字或对比，让人想点进去看……"

AI给了你：

"革新体验，从此不同——全新智能手表，让每一刻都精彩"

嗯，没毛病，但也不是你想要的。

问题出在哪？ 你用500字描述了一种"感觉"，但AI对"感觉"的理解跟你有偏差。

换个方式——直接给例子：

"帮我写电商产品标题，风格参考以下示例：

>

示例1：续航30天的手环，我居然只花了99块

示例2：这个降噪耳机，地铁秒变私人音乐厅

示例3：用了3年不坏的充电宝，回头率200%

>

现在帮我写一个智能保温杯的标题。"

AI输出：

"用了半年离不开的保温杯，80°水温从早守到晚"

感受到了吗？ 你一个字的要求都没写，但AI完全get到了你要的风格——有数字、有场景、有夸张但真实的体验感。

这就是Few-shot的威力：你不用解释风格，你展示风格。

Few-shot的三种玩法

第一种：最基础——给2-3个例子

这是最简单的用法。适用于你有明确的"模板"或"风格参考"时。

公式：指令 + 示例1 + 示例2 + （可选）示例3 + 正式任务

比如你想让AI帮你写日报摘要——

以下是我过去3天的日报格式：

>

【7月8日】完成产品需求评审3个，推进A项目原型设计至80%，协调运营部门确认上线时间。明日计划：完成原型评审，启动B项目调研。

>

【7月9日】A项目原型评审通过，修改3处交互细节。B项目完成竞品分析报告初稿。明日计划：提交B项目方案，跟进A项目开发排期。

>

【7月10日】B项目方案通过，进入开发阶段。A项目开发启动，完成前后端接口对接。处理2个线上bug。明日计划：跟进A项目开发进度，准备周五周报。

>

现在帮我写7月11日的日报，今天做了：跟进了A项目开发进度（完成50%），处理了1个用户反馈的紧急问题，参加了部门季度规划会议。

AI会完全模仿你之前的格式和语气来写，连标点符号的风格都对。

关键点：例子越多越准，但2-3个就够了。 太多反而会让AI"过拟合"，变得太死板。

第二种：进阶版——正反例对比

光给"好例子"还不够，有时候你还需要给AI看"坏例子"，让它知道什么是不对的。

帮我写朋友圈文案，风格参考好例子：

>

✅ 好例子1：周五下班，买了一束花犒劳自己。成年人的快乐，就是这么朴实无华。

✅ 好例子2：加班到11点，回家发现猫在门口等我。突然觉得这班上得也值了。

>

❌ 坏例子1：今天天气真好，心情美美哒~开心每一天！加油！

❌ 坏例子2：分享我的生活碎片#日常#打卡#记录美好#生活需要仪式感

>

好例子的特点：有具体场景、有真实情感、不堆砌emoji和标签

坏例子的特点：空洞、鸡汤味重、过度使用标签

>

现在帮我写一条"周末在家做饭"的朋友圈文案。

这样AI不只是知道"要写成什么样"，还知道"不能写成什么样"。输出质量会比只给正例更高。

第三种：高级版——让AI从例子中"总结规律"

这是最聪明的用法。你不只是让AI模仿，你还让它先理解规律，再创作。

分析以下5个爆款标题的共同特点，总结规律，然后用这些规律为"智能台灯"写一个新标题。

>

标题1：月薪3000的我，用这个工具效率翻了3倍

标题2：同事都在问的开会神器，原来这么简单

标题3：用了3年的老用户告诉你，这钱花得值

标题4：90后宝妈实测：这个方法真能省下2小时

标题5：老板看了我的方案，当场拍板通过了

AI会先分析：

这些标题的共同特点：

1. 有具体身份/数字（月薪3000、3年、90后、2小时）

2. 有结果/效果暗示（效率翻3倍、当场拍板）

3. 有社交证明（同事都在问、老用户告诉你）

4. 口语化，像真人在分享

>

基于以上规律，为智能台灯写标题：

>

"设计师朋友推荐的台灯，用了一周眼睛真的不累了"

这相当于让AI先做"逆向工程"，再创作。 输出不再是简单模仿，而是真正理解了爆款逻辑后的再创造。

实操建议：几个容易踩的坑

坑1：例子太少或太多

• 太少（1个）：AI可能只抓住某一个细节，忽略了整体风格
• 太多（超过5个）：AI容易"过拟合"，变得死板，失去灵活性
• 最佳数量：2-3个，足够展示规律，又不会限制创造力

坑2：例子之间差异太大

如果你的3个例子分别来自3种完全不同的风格，AI会困惑，最后给你一个"四不像"。

确保例子之间风格统一。 你想让AI学什么风格，就给什么风格的例子。

坑3：例子和正式任务差距太远

你给的例子是写朋友圈文案，但正式任务让它写商业计划书——AI会很懵。

例子和任务的类型要一致。 或者至少是同一个大类（都是"短文案"、都是"数据分析"等）。

坑4：忘记加"分隔"

例子和指令混在一起，AI分不清哪些是参考、哪些是要求。

用明确的分隔符来区分：

以下是参考示例：

---

示例1：xxx

示例2：xxx

---

现在请完成以下任务：

Few-shot的适用场景

这个技巧几乎适用于所有"有模板、有风格、有格式要求"的任务——

一句话：你能找到"好的样本"，就能用Few-shot让AI批量复制这个"好"。

今天的行动清单

• 找一个你经常让AI做的任务（写文案、写邮件、整理数据等）
• 翻出2-3个你过去做得比较好的成品，作为参考示例
• 用"指令 + 示例 + 任务"的格式重新写一个提示词，对比之前的输出质量
• 进阶尝试：加一组"坏例子"做正反对比，看看效果提升有多大

下期预告

前面我们学了3招：思维链（让AI想清楚）、角色嵌套（让AI成为对的人）、Few-shot（让AI照猫画虎）。

每一招都很强，但如果AI输出了一堆东西，它自己不会检查对错，怎么办？

下一期，我们学一个更高级的技巧——自我反思链。

简单说，就是让AI写完之后再"检查作业"，自己找bug、自己优化。

这招用好了，你的AI输出质量能再提升30%。

我们下期见。