为什么我的 AI 输出不稳定？
AI 输出不稳定，主因是一句普通的指令留下了太多诠释空间。模型会自行猜测你的格式、语气与结构，而这个猜测每次执行都不一样。少样本提示法透过向模型展示「好答案长什么样子」，消除了这种猜测。
如果你的成果有时出色、有时毫无用处，你并非操作有误。你只是在依赖零样本提示，也就是只描述任务，却从未示范它。
少样本提示法是最可靠的解决方案，而且几分钟就能套用。
什么是少样本提示法？
少样本提示法是一种技巧，你在真正的请求之前，于提示中放入少量已完成的范例，让模型学会该模式并加以复制。这些范例扮演示范的角色，把输出导向你想要的确切格式与风格。
它之所以有效，是因为情境学习（in-context learning）：模型会把你的范例视为「答案应有样貌」的合约，而不是自行发明结构。
相对之下，零样本提示只给指令。根据广受引用的 Prompting Guide，零样本大约有六成机率产生正确的 JSON 格式，而备有适当范例的少样本则可达九成五以上。
差别不在模型，而在你有没有把「你的意思」示范给它看。
少样本范例应该如何结构化？
在 2026 年，结构化少样本范例最可靠的方式，是用 XML 标签或三重分隔符包裹每个范例，清楚分开输入与输出。这份结构合约能阻止模型混淆「范例在哪里结束、真正的查询从哪里开始」，这正是长提示常见的失败原因。
选定一个范本，让每个范例的形状完全一致。如果你的第一个范例是先输入、再推理、后输出，那每个范例都必须遵循同样的顺序。
范例中的一致性，正是模型会锁定的目标。如果你的三个范例各用略有不同的结构，你就等于教会模型「结构是可有可无的」，它也会这样对待。
让范例在内容上多元，在形式上一致。多元教会它案例的范围，一致教会它模式本身。
一个少样本提示该用多少个范例？
对多数任务而言，三至五个多元且结构良好的范例是甜蜜点，能在准确度与 token 成本之间取得平衡。少于三个往往无法建立模式；多于五个则甚少改善结果，反而膨胀了提示。
每个范例在每次呼叫时都会消耗 token，因此塞入十个近乎相同的范例，只会浪费上下文与金钱，却无助于提升可靠性。
挑选能涵盖任务边界的范例。若你在分类客户讯息，就放入一个明显正面、一个明显负面、一个模棱两可的案例，让模型学会完整的范围，而非狭窄的一角。
立即试用这个少样本提示范本
以下是一个完整、可直接复制贴上的范本，用来把杂乱的客户意见转化为干净的结构化摘要。把范例换成你自己的两三个即可。
你是一位支援分析员。针对每一则意见讯息，按照下方展示的确切格式输出类别与一句摘要。
<example>
Input: 每次上传相片时，应用程式都会当机。
Category: 错误
Summary: 上传相片导致反复当机。
</example>
<example>
Input: 希望能把报告汇出成 Excel。
Category: 功能请求
Summary: 用户希望报告可汇出至 Excel。
</example>
<example>
Input: 你们团队十分钟就解决了我的问题，太棒了。
Category: 赞赏
Summary: 对快速支援处理的正面回馈。
</example>
现在请处理这一则：[在此贴上你真正的意见讯息]
用你自己的资料运行，模型第一次就会吻合格式，每次都是。
少样本提示法在什么情况下会失效？
当你的范例不一致、偏向单一类型案例，或长到挤掉了真正的查询时，少样本提示法就会失效。模型会复制范例中最主导的模式，连同其中的错误一起复制。
一个隐蔽的陷阱是范例偏差。如果你的三个范例刚好都是负面意见，模型可能会开始把中性讯息也标为负面，因为那正是它所看到的模式。
对于准确度至上的高风险任务，部分实务者会加上自我一致性（self-consistency）模式：用较高的温度把同一少样本提示跑多次，再取多数答案。这会增加成本，但能捕捉偶发错误。
让它真正落地
少样本提示法是把「有时管用」的提示，变成「每次管用」的最快方法。展示三至五个干净、结构一致的范例，让内容保持多元，你就会看到可靠性大幅跃升。
当每一次尝试都是试错，要让 AI 稳定听话会让人感到孤单。懂AI，更懂你，UD相伴，AI不冷。
把它建构成每次都管用的工作流程
掌握了这个技巧，下一步是把它建构成一套能大规模稳定运行的工作流程。UD 团队手把手带你完成每一步，由提示设计到实际部署，让 AI 真正为你的业务服务。