本篇目标：这是提升 AI 智商最快的方法。当你写了 1000 字的规则 AI 还是听不懂时，扔给它 2 个例子，它瞬间就懂了。

---

一、为什么“说一百遍”不如“做一遍”？

人类的学习方式有两种：

1. 读说明书（Zero-shot）：给你一本《Python 语法大全》，让你看完去写代码。（很难，容易忘，容易错）
2. 看例子（Few-shot）：给你看两个别人写的 Python 脚本，让你照葫芦画瓢。（简单，直观，精准）

AI 也是一样的。

• Zero-shot（零样本）：直接问“帮我提取日期”。
  • AI 可能会给 2023-01-01，也可能给 Jan 1st, 2023。
• Few-shot（少样本）：给它看两个例子，再问。
  • AI 看到例子是 YYYY/MM/DD，它就会乖乖输出 2023/01/01。

结论：在 Prompt 里加例子，能大幅提升 AI 的稳定性和风格一致性。

---

二、Few-shot 的威力：三个层次

Level 1：统一输出格式

你想要特定的 JSON 结构，但不想写复杂的 Schema。

Prompt:

把下面的地址解析成 JSON。

例子 1：
输入：张三，北京朝阳区，13800000000
输出：{"name": "张三", "city": "北京", "phone": "13800000000"}

例子 2：
输入：李四，上海浦东，13911111111
输出：{"name": "李四", "city": "上海", "phone": "13911111111"}

输入：王五，深圳南山，13722222222
输出：

AI：{"name": "王五", "city": "深圳", "phone": "13722222222"} （完美复刻格式）

Level 2：教会思考逻辑（CoT）

你想要 AI 学会你的推理过程。

Prompt:

判断这个评论是正面还是负面。

例子 1：
输入：手机很漂亮，但是电池太不耐用了，才用了半天就没电了。
思考：虽然外观好评，但核心功能（电池）差评，整体影响使用体验。
输出：负面

例子 2：
输入：快递慢了点，不过东西确实是正品，价格也便宜。
思考：物流是小瑕疵，但产品质量和价格是核心优势，整体满意。
输出：正面

输入：屏幕清晰度一般，不过这价格要啥自行车，给个好评吧。
输出：

AI：
思考：屏幕一般是缺点，但考虑到价格低廉（性价比高），用户最终意图是好评。
输出：正面

Level 3：处理边界情况（Edge Cases）

这是高手最常用的技巧。专门给 AI 看“反例”或“异常情况”。

Prompt:

提取金额。

例子 1：
输入：买了 3 个苹果，花了 15 元。
输出：15

例子 2：
输入：这件衣服打折后 99 块钱。
输出：99

例子 3（异常）：
输入：我不记得花了多少钱了。
输出：0

输入：大概是两三百吧。
输出：

AI：0 （因为它学会了“模糊描述算作 0”这个规则，而不需要你写复杂的逻辑说明）。

---

三、如何设计“好例子”？

例子不是随便找的，要有代表性。

1. 正例（Standard Case）

最常见的情况。告诉 AI “正常应该怎么做”。

2. 反例（Negative Case）

告诉 AI “什么是不对的”。

• 例子：“注意，不要提取‘2023年’这种年份，只提取具体的‘2023-01-01’日期。”

3. 边界例（Edge Case）

告诉 AI “遇到这种特殊情况怎么办”。

• 例子：“如果输入里没有电话号码，输出 null，不要填‘未知’。”

---

四、实战：用 Few-shot 统一代码风格

假设你们团队规定：Python 函数必须有 Type Hints，且必须用 Google 风格的 Docstring。
你不需要把 Google 风格指南全文贴给 AI，只需要给它看一个代码片段。

Prompt:

# Role
Python Developer following strict team guidelines.

# Examples

Input:
def add(a, b):
    return a + b

Output:
def add(a: int, b: int) -> int:
    """Adds two numbers.

    Args:
        a: The first number.
        b: The second number.

    Returns:
        The sum of a and b.
    """
    return a + b

Input:
def get_user(id):
    # logic...
    return user

Output:
def get_user(user_id: int) -> Dict[str, Any]:
    """Retrieves a user by ID.

    Args:
        user_id: The unique identifier of the user.

    Returns:
        A dictionary containing user details.
    """
    # logic...
    return user

# Task
Convert the following function to the team style:
def send_email(to, subject, body):
    # ...

AI 结果：它会立刻模仿上面的风格，给 send_email 加上类型和文档，完全符合你的要求。

---

五、本篇产出：示例库结构（如何存放与复用）

不要每次都手写例子。建立一个 examples.md 文件，分类存放你的“教学素材”。

# Prompt Examples Library

## 1. Data Extraction (JSON)
[Example 1: Standard]
[Example 2: Missing Data]

## 2. Code Style (Python)
[Example 1: Function Definition]
[Example 2: Error Handling]

## 3. SQL Query
[Example 1: Simple Join]
[Example 2: Complex Aggregation]

每次写 Prompt 时，从这里复制两段进去，效率翻倍。

---

练习题：教会 AI 提取“敏感词”

任务：写一个 Prompt，让 AI 从一段话里提取出所有骂人的话（敏感词），并用 * 号替换。
要求：使用 Few-shot 方法，至少包含一个“正常说话”的例子和一个“隐晦骂人”的例子。

点击查看参考答案

Task: Censor offensive language.

Example 1:
Input: 你真是个笨蛋，连这个都不会。
Output: 你真是个**，连这个都不会。

Example 2:
Input: 今天天气真好，我们去公园吧。
Output: 今天天气真好，我们去公园吧。

Example 3 (Implicit):
Input: 这种脑残设计也就你想得出来。
Output: 这种**设计也就你想得出来。

Input: 你这猪头，别挡道。
Output:

---

下一步：我们学会了如何“一次性”把需求说清楚。但在实际开发中，需求往往是复杂的，一次搞不定。下一章我们将学习 三轮迭代法——如何像和同事讨论一样，通过多轮对话把代码改对。