少樣本提示法：為何範例能解決 AI 輸出不穩定

為什麼你的 AI 輸出總是時好時壞？

如果你的 AI 結果像擲骰子，今天出色、明天毫無用處，其實你並沒有做錯什麼。你只是在「描述」你想要的東西，而不是「示範」給模型看。

解決不穩定最可靠的方法，並不是寫一段更長的指令，而是一種叫做「少樣本提示法」（Few-Shot Prompting）的技術：在你交付真正任務之前，先給模型兩三個完整的示範例子。

這篇文章會告訴你如何建立一個少樣本提示、應該用多少個例子，以及這個技術在什麼情況下會悄悄失效。

什麼是少樣本提示法？

少樣本提示法是一種在提示中放入少量「輸入與輸出」示範例子的技術，讓模型直接模仿你的模式，而不是自己猜測。零樣本代表沒有例子，單樣本是一個，少樣本通常指兩至五個。

這個概念源自 2020 年 OpenAI 的 Tom Brown 等人發表的研究論文《Language Models are Few-Shot Learners》，論文指出大型模型能夠從提示中的例子即時學會一項任務，完全不需要重新訓練。

說得直白一點，你不是在教模型新知識，而是在向它展示你期望的答案「長什麼樣子」。

為什麼幾個例子能讓輸出穩定這麼多？

例子能消除歧義。像「專業地總結這段內容」這樣的文字指令可以有上百種解讀，所以模型每次都挑一種不同的。兩個具體例子會把這上百種解讀收斂成一個清晰目標，輸出自然就不再飄移。

當你只用文字描述任務時，模型必須自行推測你要的格式、語氣和詳細程度。每一次推測，都是一次偏離你原意的機會。

當你用例子示範任務時，格式、語氣和詳細程度已經清楚呈現在例子裡。模型能自由發揮的空間大幅減少，每次執行之間的差異也隨之驟降。

這正是為什麼在需要重複的工作上，例如分類工單、整理資料格式，或用固定風格寫作時，少樣本提示法是首選的解決方法。

如何寫出一個好的少樣本提示？

先寫一句指令，接著用完全相同的「輸入與輸出」格式示範兩三個例子，最後留一個空白輸入讓模型完成。務必讓每個例子的結構完全一致，因為模型模仿結構的忠實程度，跟它模仿內容一樣高。

最常見的錯誤，是每個例子的格式都不一樣。如果例子一用項目符號、例子二用段落，你等於告訴模型兩種都可以，不穩定就會回來。

以下是一個完整、可直接複製使用的少樣本提示，用來把雜亂的客戶意見整理成乾淨、帶標籤的摘要。

試試這個提示：
你負責分類客戶意見。針對每一個輸入，回傳情緒（正面／中性／負面）、主題（一個詞）以及一句話摘要。請完全依照格式。

輸入：「這個 App 每次上傳相片就當機，超煩。」
輸出：情緒：負面 | 主題：穩定性 | 摘要：用戶反映上傳相片時多次當機。

輸入：「客服五分鐘就回覆，真的很滿意。」
輸出：情緒：正面 | 主題：客服 | 摘要：用戶稱讚客服在五分鐘內快速回應。

輸入：「還可以吧，功能該有的都有。」
輸出：情緒：中性 | 主題：綜合 | 摘要：用戶滿意但對產品沒有特別熱情。

輸入：「[在此貼上你的客戶意見]」
輸出：

留意每個例子都用完全相同、以直線分隔的排版。就是這一個決定，讓第一百個輸出看起來跟第一個一模一樣。

應該用多少個例子，又該如何挑選？

兩到五個例子足以應付大多數任務。先從兩三個開始，只有在輸出仍然飄移時才增加。超過大約五六個之後，效益通常遞減，卻消耗更多上下文視窗，所以例子多不代表一定更好。

挑選能覆蓋真實邊緣情況的例子，而不是只挑簡單的。如果你只示範整齊、明顯的輸入，模型一遇到雜亂的輸入就會出錯。

以情緒分類任務為例，放入一個明顯正面、一個明顯負面，再加一個模稜兩可的例子。那個模稜兩可的案例，教會模型你希望它如何處理難以判斷的情況，而這裡正是大部分不穩定的來源。

順序沒有覆蓋範圍那麼重要，但一個實用習慣是把最棘手的例子放在最後，因為越靠近結尾的例子，對下一個答案的影響通常略大。

少樣本提示法在什麼情況下會失效？

當你的例子彼此不一致、帶有偏差，或數量太少而無法覆蓋真實輸入的多樣性時，少樣本提示法就會失效。如果一個清晰指令已足以完成任務，你卻貼上冗長例子，那也只是白白浪費 token。這個技術會放大你示範的任何模式，包括你的錯誤。

如果你三個例子剛好全是負面，模型就會學到偏向負面的傾向，並過度套用。請讓例子在你實際預期的結果之間保持平衡。

對於非常長或高度依賴推理的任務，例子可能會擠佔上下文視窗，讓真正的內容沒有空間。這種情況下，一句較短的指令加一個強力例子，往往勝過五個薄弱例子。

也要誠實面對模型版本的差異。較新的模型比舊版更擅長遵循純文字指令，所以去年需要五個例子的任務，今天可能只需要一個。要測試，不要假設。

立即試試：一個即插即用的少樣本模板

你可以在接下來十分鐘內，把下面這個模式套用到幾乎任何重複性任務上。替換掉指令，再換上你自己的三個例子即可。

可重用模板：
[一句指令，描述任務以及你要的確切輸出格式。]

輸入：[例子一的輸入]
輸出：[例子一，依你目標格式的輸出]

輸入：[例子二的輸入]
輸出：[例子二，格式完全相同]

輸入：[例子三，你最棘手的邊緣情況]
輸出：[你希望這個邊緣情況如何處理]

輸入：[你真正的輸入]
輸出：

對同一個輸入連跑三次。如果三次輸出現在一致，代表你的例子發揮了作用。如果仍有差異，代表你的例子彼此還不夠一致，先把它們調整到位，再考慮增加數量。

總結

AI 輸出不穩定，很少是模型的問題，幾乎永遠是「描述不清」的問題。而少樣本提示法，正是用示範代替說明、把你想要的東西講清楚的最快方法。

掌握這一個技術，你就從「祈禱模型讀懂你的心思」，進步到「每一次執行都能穩定拿到同樣品質」。

懂AI，更懂你 UD相伴，AI不冷。

把好技術變成可靠的工作流程

懂得少樣本提示只是第一步。下一步是把它整合進一套每次都能穩定產出同樣品質的工作流程。UD 團隊手把手帶你完成每一步，從提示設計、測試到實際部署，讓 AI 真正為你所用。