你的 AI 輸出時好時壞？問題不在模型，在這個步驟
如果你每天使用 AI 工具，卻發現輸出品質參差不齊——有時精準到位，有時卻毫無用處——你並非操作有誤。你很可能只是遺漏了一個步驟，而這個步驟正是 AI 進階用家每次都在用的技術：少樣本提示法（Few-Shot Prompting）。
少樣本提示法的核心做法，是在提示詞中加入兩至四個具體範例——展示你想要的輸出格式、語氣與品質標準。模型讀取這些範例後，便能識別其中的規律，並將同樣的規律應用於你的實際任務。結果不再靠運氣，而是可預測、可複製的。
本文將帶你了解如何構建少樣本提示詞、如何應用於真實工作流程，以及哪些常見錯誤會讓這個技術失效。
什麼是少樣本提示法？
少樣本提示法是一種在提示詞中嵌入具體範例的技術，讓模型在執行任務之前先理解「好的輸出應該是什麼樣子」。這些範例通常是兩至五組輸入與輸出的配對，直接寫在提示詞的正文中。
術語來自機器學習領域：「零樣本」（Zero-Shot）代表不提供任何範例；「單樣本」（One-Shot）代表提供一個範例；「少樣本」（Few-Shot）則代表提供兩至五個範例。實踐中，兩至三個精心挑選的範例通常是最佳數量——足以建立清晰的規律，又不會佔用過多的上下文視窗（Context Window）空間。
關鍵在於：自然語言指令本質上是模糊的。當你告訴 AI「用專業語氣撰寫」，它會根據訓練資料中所有「專業語氣」的例子來詮釋這個指令——而那些例子涵蓋了無數種不同風格。但如果你展示三個你認為符合標準的輸出，模糊性便消失了。模型有了具體的參照，而非抽象的描述。
根據 Google 2023 年發布的大型語言模型提示研究，少樣本提示法在需要自訂格式、一致語氣及特定領域輸出結構的任務中，表現穩定優於零樣本提示法。
為什麼零樣本提示詞會產生不穩定的結果？
當你只用指令而不提供範例時，模型會依據訓練資料中的統計規律來詮釋你的要求。那些訓練資料包含數百萬種不同風格的類似任務輸出。沒有具體範例作為錨點，模型只能猜測哪種版本最符合你的需求。有時猜對了，但更多時候並非如此。
這就是輸出不穩定的結構性根源。指令告訴模型要做什麼，但範例告訴它應該做到什麼程度、用什麼語氣、以什麼結構呈現。這兩者之間的差距，正是大多數輸出差異的來源。
賓夕法尼亞大學沃頓商學院 2024 年針對知識工作者 AI 使用行為的分析發現：普通 AI 用家與進階用家之間最顯著的差異，不在於使用哪個模型，而在於是否提供範例。進階用家建立了可重複使用的提示詞庫，包含範例集；普通用家只用文字描述任務，然後困惑為何每次結果都不同。提供範例的習慣，正是第二級與第四級 AI 應用之間的分水嶺。
如何構建真正有效的少樣本範例？
並非所有範例都同樣有效。品質不佳的範例只會產生品質不佳的輸出——模型會準確地學習你展示的一切，包括缺陷在內。以下是構建高效範例的框架：
使用代表你最高標準的範例。 如果你想要精練的電郵主題行，你的範例就應該是三個你真正認為出色的主題行——而非勉強接受的。模型會對齊你範例的品質標準，而非超越它。
讓範例在結構上具有多樣性。 若所有範例都是完全相同類型的輸入，當實際輸入稍有不同時，模型便會不知所措。應涵蓋你預期的輸入範圍：長短不一、簡單與複雜、正式與半正式的場景。
使用一致的分隔結構。 用清晰且統一的標籤標記每個範例，例如「輸入：」/「輸出：」或「【範例 1】」/「【結果 1】」。明確的結構減少了模型推斷的需要，從而降低輸出的歧義性。
讓範例長度與目標輸出相符。 若你希望得到 60 字的輸出，範例也應約為 60 字；若你需要三段式分析，範例就應展示三段結構。範例長度與目標不符，是少樣本提示效果欠佳最常見的原因之一。
將任務指令與範例分開。 先寫指令，再寫範例，最後才是實際的任務輸入。三個明確分開的部分，各自清晰標示。將指令文字與範例內容混合，是一個會持續損害輸出品質的結構性錯誤。
少樣本提示法在實際工作任務中的應用
少樣本提示法幾乎適用於所有重複性的 AI 任務。以下是三個具體的實際應用場景：
行銷團隊的電郵主題行。 使用 AI 撰寫行銷電郵主題行時，常常得到泛泛而談、缺乏說服力的輸出。若在提示詞中加入三個你最高點擊率的主題行（包含每封電郵的產品/活動背景），模型便能學習你的品牌語氣與轉化導向風格，並將其一致地應用於後續輸出。
客戶服務團隊的查詢回覆。 客戶服務工作流程可從少樣本提示中獲益良多。三個恰到好處的回覆範例——既有同理心又講求效率，既有人情味又保持專業——能讓模型在面對數百個不同的客戶問題時，始終保持同一語氣。採用結構完善的少樣本提示詞的團隊，普遍反映編輯時間減少六至七成。
運營及項目管理人員的執行摘要。 需要從可變輸入資料中生成一致執行摘要的專業人士，可以在提示詞中加入三個高品質的摘要範例。此後，每份報告都會按照相同的長度、結構和抽象程度進行摘要，無需在每次會話中重新解釋格式要求。
根據麥肯錫 2025 年知識工作 AI 應用分析，標準化提示詞格式（包括建立可重用的範例庫）的團隊，其迭代週期比每次從零開始撰寫提示詞的團隊快 35 至 50%。
讓少樣本提示法失效的常見錯誤
使用過多範例。 超過五個範例在大多數情況下反而會降低性能——你佔用了大量上下文視窗空間來放置範例，而非留給實際任務。兩至四個範例幾乎是最佳範圍。
使用不同領域或語氣的範例。 若你的任務是為 B2B 企業軟件撰寫行銷文案，但範例卻來自消費者生活品牌，模型會以不可預測的方式混合兩種風格。範例必須與實際任務的領域相符。
忘記隨著標準演進更新範例。 少樣本提示詞的品質取決於其中的範例。若你的品牌語氣演變了，或你找到了更好的範例，就應更新提示詞庫。過時的範例只會產生過時的輸出。
假設一個提示詞能涵蓋所有任務變體。 若你的任務有不同的子類型——例如投訴電郵與查詢電郵——應為每種類型分別構建少樣本提示詞。將混合範例放入單一通用提示詞，只會得到混合的輸出。
立即試用：一個可直接複製的少樣本提示詞範本
以下是一個用於撰寫 LinkedIn 貼文的即用少樣本提示詞範本。將範例替換為你自己最好的三篇貼文，並在每次使用時更新【新主題】欄位。這個結構——指令、標籤化範例、任務——正是讓少樣本提示法可靠運作的關鍵。
--- 提示詞開始 ---
你為一位 B2B 專業人士撰寫 LinkedIn 貼文。貼文字數為 80 至 120 字，語氣直接實用，不以「我」作開頭，並以問題結尾以引發討論。
以下是三個符合正確風格的貼文範例：
【範例 1——主題：AI 電郵工具】
大多數團隊使用 AI 電郵工具最常犯的錯誤，是把模型當成文案撰寫師，而非起草夥伴。讓 AI 負責前 70%——結構、重點、語氣——最後 30% 由你親自完成。那最後 30% 正是你的聲音、你的關係、你的背景脈絡真正發揮作用的地方。這週值得測試的三個工具：[工具 A]、[工具 B]、[工具 C]。你試過哪一個？
【範例 2——主題：工作效率系統】
大多數效率建議都是關於如何做更多事。最好的效率系統，其實是關於如何更快做決定。決策疲勞對輸出的破壞，比工作量更為可靠。每天早上列出你需要做的三個決定——而非三個任務。任務自然會隨之而來。你這週一直在拖延的決定是什麼？
【範例 3——主題：會議文化】
一個有 8 人參與的 60 分鐘會議，消耗了 8 小時的集體專注力。大多數會議其實可以用 5 分鐘的非同步更新取代。那些真正建立了非同步文化的公司，不只是節省了時間——他們的決策速度也更快，因為每個意見都以書面形式留存，讓所有人都能查閱。你的有效會議與無效會議比例是多少？
現在請就以下主題撰寫一篇貼文：【新主題】
--- 提示詞結束 ---
建立你的少樣本提示詞庫，告別每次從零開始
少樣本提示法的複利價值來自於隨時間積累的可重用提示詞庫。針對你每一個重複性的 AI 任務——電郵起草、社交貼文、報告摘要、會議記錄、產品說明——建立一個包含三個高品質範例的少樣本提示詞。將它們儲存在 Notion、Google 文件或純文字檔案中，需要時隨時調用。
從今天 AI 輸出最不穩定的那個任務開始。找出三個你認為出色的輸出範例，構建提示詞，測試三次，微調一次。不到一個小時，你就解決了 AI 從業者最常面對的問題——而且這個問題從此不需要再解決。
懂AI的冷，更懂你的難 — UD 同行28年，讓科技成為有溫度的陪伴。真正掌握 AI 的從業者，用的不是更好的模型，而是更好的提示詞。少樣本提示法，正是最值得投入的起點。
想知道你的 AI 提示技術現在處於哪個等級？
大多數每天使用 AI 的人，其實停留在第二級，而第五級的技術完全在能力範圍之內。立即參加 UD AI IQ 測試，評估你的提示詞知識水平——UD 團隊手把手帶你完成每一步，從掌握少樣本提示法，到建立屬於你的高效提示詞庫。