為什麼我的 AI 輸出不穩定？
AI 輸出不穩定，主因是一句普通的指令留下了太多詮釋空間。模型會自行猜測你的格式、語氣與結構，而這個猜測每次執行都不一樣。少樣本提示法透過向模型展示「好答案長什麼樣子」，消除了這種猜測。
如果你的成果有時出色、有時毫無用處，你並非操作有誤。你只是在依賴零樣本提示，也就是只描述任務，卻從未示範它。
少樣本提示法是最可靠的解決方案，而且幾分鐘就能套用。
什麼是少樣本提示法？
少樣本提示法是一種技巧，你在真正的請求之前，於提示中放入少量已完成的範例，讓模型學會該模式並加以複製。這些範例扮演示範的角色，把輸出導向你想要的確切格式與風格。
它之所以有效，是因為情境學習（in-context learning）：模型會把你的範例視為「答案應有樣貌」的合約，而不是自行發明結構。
相對之下，零樣本提示只給指令。根據廣受引用的 Prompting Guide，零樣本大約有六成機率產生正確的 JSON 格式，而備有適當範例的少樣本則可達九成五以上。
差別不在模型，而在你有沒有把「你的意思」示範給它看。
少樣本範例應該如何結構化？
在 2026 年，結構化少樣本範例最可靠的方式，是用 XML 標籤或三重分隔符包裹每個範例，清楚分開輸入與輸出。這份結構合約能阻止模型混淆「範例在哪裡結束、真正的查詢從哪裡開始」，這正是長提示常見的失敗原因。
選定一個範本，讓每個範例的形狀完全一致。如果你的第一個範例是先輸入、再推理、後輸出，那每個範例都必須遵循同樣的順序。
範例中的一致性，正是模型會鎖定的目標。如果你的三個範例各用略有不同的結構，你就等於教會模型「結構是可有可無的」，它也會這樣對待。
讓範例在內容上多元，在形式上一致。多元教會它案例的範圍，一致教會它模式本身。
一個少樣本提示該用多少個範例？
對多數任務而言，三至五個多元且結構良好的範例是甜蜜點，能在準確度與 token 成本之間取得平衡。少於三個往往無法建立模式；多於五個則甚少改善結果，反而膨脹了提示。
每個範例在每次呼叫時都會消耗 token，因此塞入十個近乎相同的範例，只會浪費上下文與金錢，卻無助於提升可靠性。
挑選能涵蓋任務邊界的範例。若你在分類客戶訊息，就放入一個明顯正面、一個明顯負面、一個模稜兩可的案例，讓模型學會完整的範圍，而非狹窄的一角。
立即試用這個少樣本提示範本
以下是一個完整、可直接複製貼上的範本，用來把雜亂的客戶意見轉化為乾淨的結構化摘要。把範例換成你自己的兩三個即可。
你是一位支援分析員。針對每一則意見訊息，按照下方展示的確切格式輸出類別與一句摘要。
<example>
Input: 每次上傳相片時，應用程式都會當機。
Category: 錯誤
Summary: 上傳相片導致反覆當機。
</example>
<example>
Input: 希望能把報告匯出成 Excel。
Category: 功能請求
Summary: 用戶希望報告可匯出至 Excel。
</example>
<example>
Input: 你們團隊十分鐘就解決了我的問題，太棒了。
Category: 讚賞
Summary: 對快速支援處理的正面回饋。
</example>
現在請處理這一則：[在此貼上你真正的意見訊息]
用你自己的資料運行，模型第一次就會吻合格式，每次都是。
少樣本提示法在什麼情況下會失效？
當你的範例不一致、偏向單一類型案例，或長到擠掉了真正的查詢時，少樣本提示法就會失效。模型會複製範例中最主導的模式，連同其中的錯誤一起複製。
一個隱蔽的陷阱是範例偏差。如果你的三個範例剛好都是負面意見，模型可能會開始把中性訊息也標為負面，因為那正是它所看到的模式。
對於準確度至上的高風險任務，部分實務者會加上自我一致性（self-consistency）模式：用較高的溫度把同一少樣本提示跑多次，再取多數答案。這會增加成本，但能捕捉偶發錯誤。
讓它真正落地
少樣本提示法是把「有時管用」的提示，變成「每次管用」的最快方法。展示三至五個乾淨、結構一致的範例，讓內容保持多元，你就會看到可靠性大幅躍升。
當每一次嘗試都是試錯，要讓 AI 穩定聽話會讓人感到孤單。懂AI，更懂你，UD相伴，AI不冷。
把它建構成每次都管用的工作流程
掌握了這個技巧，下一步是把它建構成一套能大規模穩定運行的工作流程。UD 團隊手把手帶你完成每一步，由提示設計到實際部署，讓 AI 真正為你的業務服務。