Few-Shot Prompting 技巧

用白話先理解 Few-Shot Prompting

Few-Shot Prompting 是一種在提問時先給 AI 幾個「範例答案」的技巧，讓 AI 更快抓到你想要的格式、語氣或判斷標準，回覆通常會更穩、更貼近需求。

很多人第一次使用 AI 會發現一件事：同樣一句問題，AI 有時回得很準，有時又偏題。這不是因為 AI 忽然變笨，而是因為你給它的「規則」不夠清楚。

在真實工作裡，我們很少只用一句話就能把需求講到完全沒有歧義。尤其當你在意的是輸出格式、語氣、分類標準、判斷邏輯，光靠「請幫我…」通常不夠。Few-Shot Prompting 的概念很簡單：與其用長篇解釋，不如直接給幾個你想要的範例，讓 AI 依樣畫葫蘆。

它之所以重要，是因為它能把「你腦中的標準」用最省力的方式呈現出來，減少來回修正的成本。

可以把 Few-Shot Prompting 想像成你在教新人做事。你不會只說「幫我整理一下資料」，而是會拿出兩三份你過去整理過的文件說：「照這個格式做」。新人通常就能更快上手，且不容易做錯。

在開發情境中也一樣。假設你希望 AI 幫你把課程條目寫成固定結構的 Reference 內容，你可以先給它 2–3 篇你滿意的範例。AI 看到範例後，就會更清楚：每段要寫什麼、語氣要中性、字數大約多少、標題怎麼變化、哪些內容需要避開教學口吻。

在 Vibe Coding 的流程裡，Few-Shot Prompting 特別適合用在「你想要穩定產出」的地方。因為 Vibe Coding 很重視用自然語言把需求說清楚，但當需求涉及固定格式或一致標準時，範例往往比說明更有效。

常見用法包括：

實務上，你不需要一次給很多範例。通常 2–5 個高品質範例就能明顯提升一致性，且更省 token。

第一個常見誤解是，以為 Few-Shot Prompting 等於「給越多範例越好」。其實範例太多反而可能讓 AI 抓不到重點，或把不重要的細節也當成必須遵守的規則。少量、清楚、代表性高的範例通常更有效。

第二個誤解是，範例只要貼內容就好，不需要一致的結構。若你的範例彼此格式差很多，AI 會不確定到底要學哪一種。要讓 AI 產出穩定，範例之間的「共同模式」越清楚越好。

第三個誤解是，給範例就不需要再說明需求。範例能建立風格與格式，但你的目標與限制仍然需要用一句話講清楚，例如「請保持中性語氣、避免教學口吻、800–1200 字」。

當你的需求非常簡單，或你只是想快速得到一個方向性答案時，Zero-shot（不給範例）通常就足夠。像是「這個名詞是什麼？」或「給我三個方向」之類問題，不一定需要先準備範例。

另外，如果你的範例品質不高，或範例本身就包含不一致的規則，使用 Few-Shot Prompting 可能反而讓結果更混亂。這種情況下，先把一份「理想輸出」整理成高品質樣板，通常比硬塞多個範例更有效。