Few-Shot

使用少样本提示词模板时，2-5个高质量、有代表性的示例胜过大量低质量示例，示例的多样性和边界覆盖度比数量更重要

少样本方式在格式化输出、分类任务和规则遵循方面的幻觉率可降低40%-70%

Few-Shot Learning是指在提示词中提供少量示例（通常2-8个），让模型通过类比推理完成新任务

少样本学习中，3个高质量、覆盖边界情况的示例往往优于10个平庸示例，且最后一个示例对模型的影响权重通常最大

少样本提示（Few-shot Prompting）、思维链提示（Chain-of-Thought）和角色设定（Role Prompting）等技术能显著提升代码的正确性和可维护性

System Prompt、Few-shot示例、思维链（Chain-of-Thought）等技术手段共同构成了Agent行为的软件层

对于较小的开源模型如Llama 2/3，Few-Shot提示仍然是让模型遵循特定输出格式的有效手段

Few-Shot提示的上下文学习（In-Context Learning）能力在GPT-3的论文中被首次系统性描述

Few-Shot示例通常3~8个即可，示例质量比数量更重要

对于GPT-4o等顶级模型，Few-Shot提示的必要性已经降低，因为它们的指令遵循能力足够强