英文：Few-shot Prompting 分类：foundation
在提示词中放入少量输入-输出示例，引导模型模仿示例格式与逻辑完成任务的提示方法。它比零样本更稳定，是提示工程的基本技术，也是上下文学习的直接应用。
示例设计要点：与目标任务同分布、覆盖多样化输入、按难度递增排列、使用一致的格式分隔符；示例数量通常 2-32 个，过多会超出上下文或引入噪声。进阶方法包括检索最相似示例（动态少样本）与自动示例选择优化。
从 GPT-3 论文的 few-shot 范式到思维链示例（CoT）与演示自动选择，少样本提示成为大模型应用的标准组件，并被 Agent 框架用于工具调用格式示范。
信息抽取、分类、翻译、JSON 生成与客服场景的稳定输出；工程上常以"示例池+检索器"动态组装少样本提示，平衡效果与成本。
相关词条：Transformer · 注意力机制 · 自注意力 · 贪心解码 · 零样本提示