提示工程

Few-shot Prompting 少量範例提示詞是什麼？給例子教 AI

2026/8/28酒Ann870 字約 3 分鐘

Few-shot Prompting（少量範例提示詞）指在提示詞裡放入二到五個高品質的輸入與輸出範例，讓 AI 觀察範例中的規則、格式與語氣，並套用到新的輸入上。相較於完全不給範例的 Zero-Shot，Few-shot 能讓輸出格式更一致、風格更貼近需求，特別適合分類、格式化輸出與特定風格寫作等任務。

Few-shot Prompting 少量範例提示詞是什麼？給例子教 AI

同一個任務，光靠文字說明常常講不清楚，這時候與其解釋更多規則，不如直接給 AI 看幾個例子。

這個做法就是 Few-shot Prompting，是提示工程裡最容易上手、效果卻很明顯的一招。

你將學到什麼

定義

在提示詞裡放入幾個範例，讓 AI 學會格式與風格再生成。

白話比喻

像給一個聰明的學習者看幾個做得好的例子，它就能抓到規則。

跟誰容易搞混

跟 Zero-Shot 相對，前者給範例，後者完全不給。

定義

Few-shot Prompting 指在提示詞裡提供任務說明，再給幾個高品質的輸入與輸出範例，讓 AI 觀察規則、格式與語氣，並套用到新輸入上。

白話比喻

AI 就像一個很聰明的學習者，你給它看幾個做得好的例子，它就能快速抓到規則，並照著同樣的方式完成新任務。

沒有範例與有範例的差別

情境	特點
Zero-shot 沒有範例	只靠指令描述，語氣或格式容易不穩定
Few-shot 有範例	先看過範例再生成，結果更穩定、更貼近需求

跟相近名詞的差別

Zero-Shot 零樣本提示完全不給範例，直接下指令；Few-shot 則多給幾個範例當參考，兩者是同一條光譜的兩端，可依任務難度選擇。

實際用例

常見應用包括內容創作時統一文案格式、資料結構化時轉成表格或 JSON、情緒分類與意圖判斷，以及依範例教會 AI 特定程式風格或客服回覆語氣。

常見誤解常見誤解是以為範例越多越好。範例格式模糊或彼此矛盾，反而會讓 AI 學錯規則，重點應放在挑選正確、清晰、涵蓋不同情境的少量高品質範例，而不是一味增加數量。

本文源起本文內容出自酒Ann 的「AI 實戰陪跑班」課程教材，由酒Ann 編寫成彙編條目。想系統性搞懂 AI 名詞，歡迎追蹤酒Ann 的 Facebook。

延伸學習

做出你的第一個 Skill

一場快閃直播的完整重製。從搞懂 Skill 的五個層級開始，帶你把一件你每天在做的重複工作，寫成一支 AI 真的會照做的 Skill ── 命名、description、輸入拆解、Workflow 訪談、Output 與 Checks，最後組成一份能通過格式檢查的 SKILL.md。

NT$ 999

ChatGPT 很強，但真正讓你下班的是 Google

六小時完整實錄。從「AI 很厲害，為什麼你還是每天加班」這個問題出發，把 Google Workspace 當成真正的工作平台重新設計一次流程 ── Sheets 的資料結構、Drive 與 Docs 的文件流、Gmail 與 Calendar 的通知系統，再用 Apps Script 讓它自己跑起來，最後收斂成一張屬於你自己的 AI 工作能力地圖。

NT$ 4,599

把這篇文章分享給需要的人Facebook LINE Threads X

常見問答

範例要給幾個才夠？

一般建議二到五個最有效的範例，太少可能學不到規則，太多反而會稀釋重點，讓 AI 抓不到最關鍵的模式。範例的品質比數量更重要，寧可少而精。

範例的品質有多重要？

非常重要，範例要正確、清晰、有代表性。如果範例格式模糊或彼此矛盾，AI 學到的規則也會混亂，甚至比完全不給範例更糟，這是 Few-shot 最容易踩的坑。

Few-shot 適合用在哪些任務？

特別適合需要特定格式輸出，例如 JSON 或表格，也適合特定風格寫作、分類標籤與判斷任務。任務目標越明確、輸出格式越固定，Few-shot 的效果通常越明顯。