少样本提示2026最佳实践：用更少样本学更多

请将以下评论分类为"正面"或"负面"：

评论：这家餐厅的服务太棒了，食物也很美味。
分类：正面

评论：房间很脏，床也不舒服，不会再来了。
分类：负面

评论：手机电池续航很短，但拍照效果不错。
分类：

任务：文本分类（体育/科技/政治）

好的示例选择：
示例1（体育）：NBA总决赛...
示例2（科技）：苹果发布新iPhone...
示例3（政治）：国会通过新法案...

避免：三个示例都是体育新闻

示例1：简单样本（模型零样本就能正确）
示例2：中等难度
示例3：较难样本

任务：垃圾邮件检测

好的示例：
- 正常邮件：...（明显正常）
- 垃圾邮件：...（明显垃圾）
- 边界邮件：...（正常但像广告）← 这个最重要

### 输入：
{input}

### 输出：
{output}

### 输入：
{new_input}

### 输出：

评论：这家餐厅服务太差了。
分析：关键词"太差了"表达负面情感 → 分类：负面

评论：还行吧，没什么特别的。
分析：中性表述，无明确情感 → 分类：中性

步骤：
1. 将少量示例库嵌入为向量
2. 对用户新输入进行嵌入
3. 检索最相关的3-5个示例
4. 将检索到的示例加入提示
5. 生成输出

### 错误示例：
输入：解释量子计算
输出：[过于简化的错误解释]
纠正：量子计算利用量子叠加和纠缠...

### 正确示例：
输入：解释区块链
输出：区块链是一种分布式账本技术...

指令：请将文本分类为正面/负面/中性（零样本指令）

示例：
文本：这部电影太精彩了！
分类：正面

文本：书的内容很枯燥。
分类：负面

现在请分类：
文本：{input}
分类：

请将新闻分类为：体育/科技/财经/娱乐/其他

示例：
1. [体育示例]
2. [科技示例]
3. [财经示例]
4. [娱乐示例]
5. [其他示例] ← 很重要，定义"其他"

请从文本中抽取实体（JSON格式）：

文本：苹果公司CEO库克宣布iPhone 16将于9月发布。
输出：
{
  "组织": ["苹果公司"],
  "人物": ["库克"],
  "产品": ["iPhone 16"],
  "时间": ["9月"]
}

文本：{input}
输出：

请根据意图生成Python函数：

意图：计算两个数的最大公约数
示例输入：a=48, b=18
输出：
def gcd(a, b):
    while b:
        a, b = b, a % b
    return a

测试：gcd(48, 18) = 6 ✓

意图：{new_intent}

请将以下文章摘要为约50字：

原文：[较长文章]
摘要：[约50字摘要]

请将以下文章摘要为约100字：

原文：{input}
摘要：

请将以下中文翻译为英文，注意术语一致性：
术语表：
- 大模型 → Large Language Model (LLM)
- 微调 → Fine-tuning

示例：
中文：我们需要微调这个大模型。
英文：We need to fine-tune this Large Language Model (LLM).

中文：{input}
英文：

请为以下任务生成5个高质量的少样本示例：
任务：{task_description}