多數人以為 few-shot 提示詞範例，原則就是塞得越多、AI 回答得越準，但攤開一份公開的實驗數字，故事沒有這麼乾脆。OpenAI 團隊在 2020 年發表的 GPT-3 論文裡測過一項語言理解任務：模型完全不給範例（zero-shot）時，答對率是 76.2%；只給一個範例（one-shot）之後，答對率反而掉到 72.5%，比什麼都不給還低；可是把範例一路加到多個（few-shot）之後，答對率又跳到 86.4%。同一套模型、同一個題目，只是範例數量不一樣，結果卻忽高忽低。
這正是 few-shot 提示詞範例最容易被誤解的地方，範例不是有給就一定加分，數量抓錯，效果甚至會比不給範例更差。要真的靠 few-shot 提示詞範例把 AI 輸出的格式、語氣都控制住，得先搞懂它跟 zero-shot、one-shot 差在哪，再照實驗數字找出範例數量的甜蜜點。先從三者的定義講起。
Few-shot 提示詞是什麼？和 zero-shot、one-shot 有什麼差異？
zero-shot 提示詞不給任何範例，直接把任務要求交給 AI；one-shot 提示詞只搭配一個範例；few-shot 提示詞則放進多個範例，通常兩個以上。範例的基本結構是「輸入-輸出配對」，每個範例先給一段輸入，再接一段你想要的輸出，讓模型從配對裡抓出規律。
DAIR.AI 整理的 Prompt Engineering Guide 把 few-shot 提示詞定義成一種讓模型做上下文學習（in-context learning）的技巧。你在提示詞裡放進示範，模型就會照著這些示範的模式，去調整接下來的輸出。Anthropic 官方文件也把範例列為引導輸出格式、語氣與結構最可靠的方法之一，一套寫得好的範例，能同時提高輸出的準確度與一致性。
格式一致性特別重要。如果第一個範例用條列式輸出，第二個範例卻換成一段話，模型很容易學到「格式本身也可以變」這個錯誤訊號，反而讓輸出更不穩定。這也是為什麼寫 few-shot 提示詞範例時，格式、用字、標點都該盡量統一，範例才能真的把模型帶到你要的樣子。
範例數量怎麼影響輸出品質？GPT-3 的實驗數字怎麼說？
上一段的反差，其實只是 GPT-3 論文裡一項任務的結果。換到另一項任務，同一套範例邏輯又是另一種樣子。GPT-3 論文測的 LAMBADA 任務，要求模型讀一段文字、猜出最後一個詞。零範例的答對率是 76.2%，只給一個範例反而掉到 72.5%，直到範例數量拉到多個，答對率才明顯拉開差距，衝上 86.4%。同一份論文的 TriviaQA 問答任務，方向穩定得多。零範例答對率 64.3%，加到一個範例就升到 68.0%，範例數量再往上加，答對率也持續墊高到 71.2%。兩項任務放在一起看，範例數量對輸出品質的影響顯然不是一條穩定往上的線，會因任務種類而完全不同。
另一個更值得注意的發現，出現在 SuperGLUE 這套語言理解測驗上。研究團隊測出，GPT-3 只要每個任務放不到八個範例，整體表現就能超越事先微調過的 BERT-Large；但論文實驗最多只測到每個任務三十二個範例，再往上加，效益也隨數量增加而遞減。這也說明了「範例越多越好」聽起來合理，實際測出來的效益曲線，卻是先陡再平緩。
怎麼判斷該放幾個範例？從 2 個抓到 5、6 個就好
SuperGLUE 那條先陡再平的效益曲線，換算成一句能直接照做的建議，就是範例不必無限往上加，抓到一個夠用的區間就該停。這個區間怎麼抓，分三步走：先依任務複雜度定基準、再從兩三個範例開始測試效果、最後抓到五六個就該停手，不要無限往上疊。這幾個數字不是憑感覺喊的，Google 的《Prompt Engineering》白皮書（Lee Boonstra，2024 年 9 月發布）給出的通則是，做 few-shot 提示詞至少該用三到五個範例，實際數量還要看任務難度、範例本身的品質，以及使用的模型能力而定。
步驟一：先依任務複雜度，抓一個範例數量基準
任務越單純，像是把文字分類到固定幾個類別、或模仿一種固定語氣，範例基準可以抓低一點，兩三個就夠；任務要模型同時抓格式、邏輯、語氣好幾件事，基準就該抓高一點，但仍以個位數為主，不是無上限往上加。Google 的白皮書把這個判斷寫得直白。範例數量該抓多少，取決於任務複雜度、範例本身的品質，還有你用的模型能力這幾個因素，不是套一個固定數字了事。
步驟二：從 2 到 3 個範例開始，檢查輸出有沒有抓對格式
實際動手時，先放兩到三個範例，看輸出的格式、語氣有沒有跟著範例走。PromptHub 由 Dan Cleary 撰寫的一份 few-shot 提示詞指南，歸納多篇研究後指出，至少用兩個範例，但通常不需要超過五個；多篇研究也都顯示，範例數量加到兩個之後，效益就開始進入平原期，再往上加，很可能只是多花 token，換不到更準的輸出。這個階段的重點不是一次到位，而是先確認模型有沒有抓對你要的樣子，抓對了再往下一步微調。
步驟三：效果不夠再加，加到 5、6 個就該停
兩三個範例還抓不到位，可以逐步往上加，加到五、六個通常就該停手。Google 白皮書在分類任務這類段落給的建議更具體，一個好用的起手式是先抓六個範例當基準，再從這裡開始測試準確率，依實際表現微調，而不是預設範例越多越保險。這個上限也呼應前面 GPT-3 在 SuperGLUE 測驗裡的發現，效益隨數量增加，卻是遞減的，超過某個範例數之後，多加的範例多半只是墊高提示詞的長度，對輸出品質沒有明顯幫助。
範例品質，比數量更決定輸出好壞
範例數量抓對了，不代表輸出就一定準，範例本身選得好不好，影響往往更大。倫敦大學學院與北京大學合作的一項研究，在探討怎麼用大型語言模型修程式錯誤時發現，範例的效果跟數量之間不是穩定往上的關係，而是非單調的，多塞幾個不一定更好，選對的範例才會更好。研究團隊用一套統計模型挑出跟每個錯誤最相關的範例，在一組 157 個錯誤的測試集裡修好 88 個，比表現最佳的固定範例組合多修了 17%。同一批候選範例，單靠精準挑選，就能比隨機堆疊更多範例拿到更好的結果。
範例排列的順序，同樣會左右輸出品質。Zhao 等人 2021 年發表的研究做過一個對照實驗。同一組兩個範例，GPT-3 一個 27 億參數版本原本能拿到 88.5% 的準確率，只把兩個範例的順序對調，準確率就掉到 51.3%，接近亂猜。研究團隊測了多種提示詞格式與範例組合後，得出的結論是，範例的挑選與排列順序，可以讓同一個模型的準確率，從接近亂猜一路跳到接近當時最好的表現。
把這兩份研究擺在一起看，好範例該符合的條件其實很具體：跟任務高度相關、涵蓋多樣的情境、正例與反例都給、格式從頭到尾一致。Google 白皮書也提醒，範例要相關、多樣、品質夠好、寫得清楚，一個小失誤就可能讓模型會錯意。與其糾結該放幾個範例，不如先把這幾個條件顧好。
什麼情況該放棄 few-shot，改用零範例＋思維鏈？
不是每個任務都該往提示詞裡堆範例。DAIR.AI 整理的 Prompt Engineering Guide 裡有一個示範。請模型判斷一串數字裡的奇數加總起來是不是偶數，即使提供了幾個 few-shot 範例，模型給出的答案還是錯的。這類需要多步驟邏輯推理的任務，範例反而可能把模型的思路帶偏，它順著範例的表面格式作答，卻沒有真的把每一步算清楚。
東京大學與 Google 團隊在 2022 年發表的研究，提出了一個更直接的做法。完全不給範例，只在提示詞裡加一句「讓我們一步一步來想」，就能明顯拉高模型在多步驟推理任務上的表現。研究團隊測出，這個做法能把 MultiArith 這類數學應用題的答對率，從 17.7% 推到 78.7%，GSM8K 則從 10.4% 推到 40.7%。不用任何範例，單靠一句引導語，就讓模型自己把推理過程拆開來走一遍。
這個方向，後來也變成推理型模型的官方建議。DeepSeek-R1 的技術報告直接寫明，給這個模型加 few-shot 範例，反而會持續拉低它的表現，團隊建議使用者直接描述問題、說清楚想要的輸出格式，用零範例的方式提問，才能拿到最好的結果。
把這幾個發現收在一起，判斷準則並不複雜：任務是要模型模仿格式、語氣，或做簡單分類，few-shot 提示詞範例仍然管用；任務牽涉到多步驟的邏輯推理，先試零範例加思維鏈，不急著堆範例。
下次要寫 few-shot 提示詞範例之前，與其死記三到五個這個數字，不如先問自己幾件事。這個任務的本質是什麼，是要模型模仿一種固定的格式與語氣，還是需要它一步一步做多步驟推理。手上準備的範例，是不是真的跟任務高度相關、涵蓋的情境夠不夠多樣。真的需要範例嗎，還是這個任務，一句講清楚的零範例提示詞加上思維鏈，反而更管用。先想清楚這幾個問題，寫出來的提示詞，才不會只是塞了幾個範例，卻沒有真正解決問題。