---
title: "少樣本提示（Few-shot Prompting）"
slug: few-shot-prompting
language: zh-TW
source: https://aiterms.tw/terms/few-shot-prompting
updated_at: 2026-06-22
tags: [Prompt工程, 情境學習, 大型語言模型, 零樣本, 思維鏈]
ipas_term: false
---

# 少樣本提示（Few-shot Prompting）

在提示詞中提供少量（通常 2-10 個）輸入輸出範例，引導語言模型依照示範格式完成任務的提示技術。

## 完整說明

少樣本提示（Few-shot Prompting）是提示工程中的核心技術，透過在提示詞中嵌入數個具代表性的「輸入→輸出」範例，讓大型語言模型（LLM）從中推斷任務的格式、風格與邏輯，並將其應用於新的輸入。相較於零樣本提示（Zero-shot Prompting，不提供範例），少樣本提示能顯著提升模型在特定格式要求、風格模仿或專業術語輸出上的表現，且無需任何模型微調。

## 常見問題

### 少樣本提示應該提供多少個範例效果最好？

沒有適用所有任務的最佳數量，一般建議從 2-5 個範例開始，並透過實驗比較效果。研究顯示，範例數量帶來的提升在初始幾個最為明顯，超過 8-10 個後往往邊際效益遞減，且會消耗更多上下文視窗。關鍵在於範例的多樣性與代表性，而非純粹的數量。若任務有多個不同子類型，確保每個子類型至少有一個範例往往比單純增加總數更有效。同時需考慮模型的上下文視窗大小與 API 費用，在效果與成本之間取得平衡。

### 少樣本提示和微調（Fine-tuning）什麼時候該選哪個？

少樣本提示適合：快速原型驗證（無需訓練時間）、範例數量有限（幾十個以內）、任務格式簡單且一致、需要靈活切換不同任務、或預算有限不適合微調。微調適合：有數百至數千個高品質標記範例、對輸出格式的一致性要求極高（如嚴格的 JSON schema）、需要注入預訓練模型未覆蓋的專業知識、推論時需要節省 Token 成本（微調後不需要在提示中放範例），或對延遲要求極高（較短提示推論更快）。實務上推薦先用少樣本提示快速驗證任務可行性，再評估是否值得投入微調的成本。

### 範例的順序對少樣本提示結果有影響嗎？

有影響。研究表明，範例的排列順序會影響大型語言模型的輸出結果，這種現象稱為「順序偏差（Ordering Bias）」。具體來說，模型往往對序列中最後出現的範例記憶更深（近因效應）。因此，一個常見的策略是將與目標輸入最相似的範例放在最後。此外，若分類任務的範例按同一類別連續排列（AAABBB 而非 ABABAB），可能導致模型對最後出現的類別有偏好。在高精度要求的應用中，建議使用多次打亂順序後平均結果（Ensemble）或使用動態範例選擇來降低順序偏差的影響。

---

來源：https://aiterms.tw/terms/few-shot-prompting
快查頁：https://aiterms.tw/terms/few-shot-prompting
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-few-shot-prompting