TL;DR
Few-shot 提示是向 AI 展示兩個以上的成品範例 —— 輸入 A → 輸出 B —— 而不是描述你要什麼，讓它模仿你示範的確切模式、語氣和格式。它是客製輸出最強的鎖 —— 也是你能送出最貴的提示，因為每個範例都跟著每一則訊息走。
類比
試著透過電話教人單足旋轉。
「身體在單腿上旋轉 360 度，用前腳掌，手臂圓弧，頭部定點。」技術上完整。而且那樣根本教不會 —— 文字描述了技能，但技能不是文字做的。現在把同一個學生放在舞蹈老師面前，老師什麼也不說，只是慢慢地做三次單足旋轉，然後說：「像那樣。」
學生的身體從三次示範學到的，已經超過任何一段描述。人類靠模仿學許多事物，遠快於靠指令 —— 而語言模型，事實證明，是同樣的構造。給模型看三個模式的範例，它常常完美重現那個模式，包括你從沒想過要提、也不知道怎麼描述的細節。
這就是這一課的全部區別。One-shot 提示說—— 動詞、脈絡、格式 —— 而對標準工作（摘要、列表、翻譯、改寫）來說，說就夠了，因為模型已經會那些舞。Few-shot 提示展示—— 你貼上那支舞本身，兩三次輸入 → 輸出的演出，模型模仿。用散文描述你公司特殊的客服工單格式是那通電話。貼上三張真實工單是示範。
關於舞蹈老師還有一件事：示範不是免費的。老師的時間、教室、三次慢速演出 —— 每一次上課，展示都比講述貴。記住這個；它成為這整個技巧的經濟學。
運作原理與成本
Few-shot 提示是一疊成品範例加上一個新輸入，結構讓模式無可誤認：
| 元素 | 角色 |
|---|---|
| 範例 1：輸入 → 輸出 | 定義轉換 |
| 範例 2：輸入 → 輸出 | 確認不是巧合 |
| 範例 3：輸入 → 輸出 | 鎖住邊界情況行為（棘手的輸入展示你要難題怎麼處理） |
| 新輸入 | 輪到模型延續模式 |
範例做到指示做不到的事：它們一次展示一切—— 格式、語氣、長度、大小寫、該包含什麼、該跳過什麼 —— 包括一百個你沒察覺自己在做的微決策。「Apple → Pomme. Car → Voiture. 現在翻譯：House.」—— 三行，模型就知道了語言、方向、大小寫、語域。沒有任何指示段落能用更少的 token 指定這一切。這就是為什麼每當目標模式是客製的，few-shot 就勝過連優秀的描述：模型不再猜你的方言，而是開始說它。
現在是帳單。你貼的每個範例都是脈絡視窗上的文字 —— 那張模型在每一則回覆前重讀的桌子。範例不會在第一個答案後蒸發；它們整場對話都坐在桌上，為之後每則處理的訊息增加 token。三個厚重的範例可以輕易超過其餘對話的總和。而在 Uzu 中，訊息以 G-Credits 計價，那個物理在你的餘額裡變得可見：few-shot 提示就是比精簡 one-shot每則訊息更貴，而且只要聊天活著就一直更貴。
於是這個課程遵循的規則出現：
預設 one-shot；必要時才 few-shot。 當格式或邏輯真正客製時才展示範例 —— 自家風格、剖析規則、有你自己的邊界情況的分類方案。如果一條清楚的指示能捕捉它，就用說的。說更便宜 —— 而且常常，說就夠了。
最純的經濟考量：範例只在錯誤的格式會讓你花得比 token 更多時才掙得它的價格 —— 一次重跑、一場人工清理、一個因格式錯誤而壞掉的下游系統。這才是 few-shot 檢驗：不是「範例有幫助嗎？」（它們幾乎都有）而是「這個模式需要示範嗎？」
改寫前後（提示）
範例 1 —— 自家風格標題
用我們的品牌聲音把這個功能公告改寫成有力的標題。
「品牌聲音」是對單足旋轉的電話描述。模型在猜 —— 對它有力的、對它品牌的 —— 交回有活力但完全走音的東西。
把這個功能公告改寫成符合我們風格的標題。我們的風格：
舊儀表板、新儀表板 → 你的數據打電話來了。它們想要更大的螢幕。 離線模式上線 → Wi-Fi 沒了。工作照樣。 深色主題發布 → 夜貓子，這個給你。
功能公告：批次匯出上線 →
三次示範，模型不再猜 —— 長度、箭頭格式、粗體、雙關語域全都被展示了，包括你永遠指定不了的微風格。第四行完成的是一個模式，不是一條指示。
範例 2 —— 擷取格式
從下面每一行收據擷取日期、城市和總額。
夠簡單 —— 直到你吃輸出的系統期待 YYYY-MM-DD | CITY_UPPERCASE | cents-no-symbol，一個自然界不存在的格式。指示版產出可讀的日期、正常的城市名、和貨幣符號 —— 正確，而且不相容。
把每一行擷取成：日期、城市、總額。完全遵循這個模式：
"Paid $42.50 in Lisbon on 3 May" → 2026-05-03 | LISBON | 4250 "São Paulo, 12/Jan, R$199.90" → 2026-01-12 | SÃO PAULO | 19990
"Checkout Tokyo 7 Nov ¥3,000" →
兩個範例，未載明的規則就被教會了：模糊的日月順序被解決、大寫保留變音符號、符號被剝除、小數轉成單位。機器就緒的輸出，來自一個從未「設定」過任何東西的模型 —— 它是被展示的。
範例 3 —— 不能漂移的語氣
讓我的客戶回覆溫暖但不浮誇，專業但不僵硬。
那句話裡的每個字都是品味問題，而模型的品味和你不同。回覆掛滿驚嘆號回來 —— 溫暖，照它的解讀。
改寫我的草稿回覆以符合這個聲音：
草稿：「您的退款已處理。」→ 回覆：「您的退款正在路上 —— 三個工作天內會看到。感謝您在我們處理期间的耐心。」 草稿：「此商品缺貨。」→ 回覆：「那個賣得比我們預期快！我們這週補貨，一到貨就 email 您。」
草稿：「您的帳號已被停用。」→
語氣無法被描述；只能被示範。有兩個範例，第三封回覆自動落在聲音裡 —— 不需要驚嘆號講座。
常見陷阱
- 互相衝突的範例。 範例一輸出小寫、範例三大寫；一個正式、一個開玩笑。模型靠平均化解決矛盾 —— 產出不像你任何一個範例的東西。像審查審查發現一樣審查你的範例：每個細節都要一致，因為每個細節都在教。
- 太多範例、桌面爆掉。 十個「保險起見」的範例佔據整場對話的脈絡視窗—— 擠掉後續脈絡並膨脹 Uzu 中每則回覆的 token 成本。兩到四個精準範例幾乎總能鎖住模式；只有特定邊界情況需要自己的示範時才加第五個。
- 懶散的範例。 一個有錯字、懶散輸出或格式漂移的範例不只是沒教 —— 它主動教你的缺陷。模型會完美重現你的錯誤。把範例打磨到像已發表的文案。
- 對標準任務用 few-shot。 貼三個「摘要成一段」的範例，展示不了模型從一條清楚指示做不到的任何事 —— 你在為一支大家都會的舞付示範價。把技巧留給真正只存在於你範例中的模式。
- 忘記範例會持續存在。 你在第一則貼的那疊，在第三十則還在桌上 —— 還在花 token、還在影響語氣。如果同場聊天後續任務需要不同行為，開新聊天或明確退役模式（「從這裡開始新格式：……」）。
常見問題
Zero-shot、one-shot 和 few-shot 提示有什麼不同？
Zero-shot 是不帶範例提問 —— 純指示，像「把這個翻成法文」。One-shot 是包含單一範例來錨定模式；few-shot 是兩個以上的成品範例，模式鎖定力強到足以應付客製格式。（本課程的「one-shot 提示」解剖講的是完整的單一指令 —— 而當那個指令包含範例時，它就升級成 few-shot。）目標模式越不寻常，教會它需要的範例就越多。
我什麼時候該用 few-shot 而不是描述格式？
當模式是客製、精確、且出錯代價高時用 few-shot：自家風格、剖析規則、分類方案、餵給另一個系統的輸出 —— 任何散文描述會讓模型猜的地方。如果格式是標準的（表格、五個項目符號、一段）或描述能完整捕捉它，one-shot 更快、更便宜、而且夠用。檢驗：一個勝任的陌生人能只靠你的描述重現你的格式嗎？不能的話，示範。
範例會讓 AI 提示更貴嗎？
會。每個範例都是脈絡視窗上的 token，而視窗在對話中的每則回覆都被重新處理 —— 所以範例不是加一次成本，而是持續加。在 Uzu 中，訊息以 G-Credits 計價，厚重的 few-shot 疊層明顯是你能送出最貴的提示。所以紀律是：只示範描述捕捉不了的，而且範例保持鎖住模式的最少量。
下一課
Few-shot 要求你已經有完美範例 —— 但你從沒寫過、所以無法展示的模式呢？有一招：別再起草答案，開始起草問題。把寫提示這件事本身交給機器。
繼續下一課：Meta-Prompting
離開前的練習：找一個你糾正 AI 超過兩次的輸出格式。用你的糾正建立三範例疊 —— 你的草稿當輸入、你的修正版當輸出 —— 然後把下一個任務跑過它。注意模型重現了哪些你從沒寫下來的東西。