---
title: "什么是少样本提示（few-shot）？在提示词中给示例 | BroadRouter"
description: "少样本提示是在提示词中放几个完整示例，让模型照着模式输出。它的原理、该用多少个示例，以及示例的成本。"
url: https://broadrouter.com/zh/glossary/few-shot-prompting/
lang: zh-Hans
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/glossary/few-shot-prompting/)（2026-11-16 更新）。

# 少样本提示（few-shot prompting）

更新于 2026-11-16

少样本提示是一种在真实输入之前，先在提示词中放入少量“输入—输出”示例的技巧，让语言模型从中推断任务和格式。模型权重不会改变；零样本不用示例，单样本只用一个。

又称： 少样本学习、小样本提示、少样本示例、上下文示例、单样本提示、few-shot、few-shot prompting、few-shot learning、multishot prompting、in-context examples、one-shot prompting

示范胜过说教。几个示例往往比一段规则更快地把格式和语气调对。

## 工作原理

Brown 等人的 GPT-3 论文让这个术语流行起来。论文测试了一个 1750 亿参数的模型，任务 “specified purely via text interaction with the model”（译文：完全通过与模型的文本交互来指定），不做梯度更新或微调，发现少样本表现随模型规模显著提升。论文定义了三种设置：

| 设置 | 提示词中的示例 |
| --- | --- |
| 零样本（zero-shot） | 没有，只有指令 |
| 单样本（one-shot） | 一个 |
| 少样本（few-shot） | 若干个，受上下文窗口限制 |

一个给客服工单打标签的少样本提示可能是这样的：

```text
Ticket: "My card was charged twice." -> billing
Ticket: "The app crashes on login." -> bug
Ticket: "Can you add dark mode?" -> feature_request
Ticket: "I was billed after cancelling." ->
```

模型会延续这个模式。Anthropic 的指南称示例是 “one of the most reliable ways to steer”（译文：最可靠的引导方式之一）格式、语气和结构的手段，并要求示例相关、多样，并用标签包裹起来，让模型能把它们和指令区分开。

## 为什么重要

-   **控制格式。** 示例能展示规则覆盖不到的边界情况，比如空字段该怎么写。如果需要严格的 JSON，请搭配[结构化输出](https://broadrouter.com/zh/glossary/structured-output/)。
-   **费用。** 每个示例在每次调用时都会作为输入重新发送。五个 200 token 的示例，每次请求会增加 1,000 个 token。放在固定前缀里时，它们可以按[缓存输入 token](https://broadrouter.com/zh/glossary/cached-input-tokens/) 计费。
-   **推理。** 展示步骤而不只是答案的示例，就是[思维链](https://broadrouter.com/zh/glossary/chain-of-thought/)提示。
-   **何时停下。** 如果你需要几百个示例，[微调](https://broadrouter.com/zh/glossary/fine-tuning/)的单次调用成本可能比每次都发送它们更低。

## 在 BroadNet Inference 上

少样本提示不需要任何特殊的 API 功能，它就是 `messages` 里的普通文本。BroadNet 会在 `usage` 中返回 `cached_tokens`，你可以借此检查示例块是否从缓存读取。在按量付费密钥上，缓存价格低于输入价格；以 DeepSeek V4.1 Flash 为例，每 1M token 分别是 $0.0055 和 $0.175。阿拉伯语任务请参见[阿拉伯语提示词工程](https://broadrouter.com/zh/blog/arabic-prompt-engineering/)；用示例做文档信息抽取，请参见[阿拉伯语发票指南](https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/)。

## 常见错误

-   所有示例都是同一个标签或同样的长度。模型会照搬这种偏差。
-   每次请求轮换示例。这会破坏缓存前缀，也让结果更难比较。

## 常见问题

### 少样本提示该放几个示例？

Anthropic 建议用 3 到 5 个以获得最佳效果。示例越多，每次调用的输入 token 就越多，所以一旦质量不再提升，就别再加了。

### 少样本提示和微调是一回事吗？

不是。少样本示例放在提示词里，每次请求都要重新发送。微调一次性改变模型权重，之后就不需要再发送这些示例。

### 示例应该放在系统提示词里，还是作为对话轮次？

两种都可以。把它们放在靠近开头的固定位置，形成稳定、可缓存的前缀。

## 另请参阅

-   [系统提示词（system prompt）](https://broadrouter.com/zh/glossary/system-prompt/)（术语）
-   [思维链（CoT，chain-of-thought）](https://broadrouter.com/zh/glossary/chain-of-thought/)（术语）
-   [微调（fine-tuning）](https://broadrouter.com/zh/glossary/fine-tuning/)（术语）
-   [缓存输入 token（cached input tokens）](https://broadrouter.com/zh/glossary/cached-input-tokens/)（术语）
-   [结构化输出（structured output）](https://broadrouter.com/zh/glossary/structured-output/)（术语）
-   [提示词工程（prompt engineering）](https://broadrouter.com/zh/glossary/prompt-engineering/)（术语）
-   [用视觉模型识别阿拉伯语发票和收据](https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/)（指南）
-   [阿拉伯语提示词工程：语体、RTL、数字与中英混排](https://broadrouter.com/zh/blog/arabic-prompt-engineering/)（文章）
-   [如何组织提示词，让前缀被缓存](https://broadrouter.com/zh/blog/prompt-structure-for-caching/)（文章）

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-few-shot-prompting&utm_content=page-cta) ·

**来源**

-   [Brown 等（2020），Language Models are Few-Shot Learners（2026-11-16 查阅）](https://arxiv.org/abs/2005.14165)
-   [Anthropic，提示词最佳实践（有效使用示例）（2026-11-16 查阅）](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices)
-   [BroadNet Inference API 参考，缓存 token（2026-11-16 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-few-shot-prompting&utm_content=sources)
