正在读取本机记录…

拓展AI 能力◷ 55 分钟

Few-shot、任务分解与提示模板

用示例和步骤降低任务歧义。

学完你能做到

用自己的话解释“Few-shot、任务分解与提示模板”及其核心术语。
在真实 AI 产品场景中识别何时应该使用本课方法。
完成一份可沉淀进“Prompt 模板、RAG 流程、Agent 工作流与评测集”阶段任务的实践产出。

前置与关联课程

完成阶段 5 的能力检查，或先预览相关基础课

前置 · Prompt 的角色、目标、上下文、约束与格式关联 · 结构化输出、JSON Schema 与工具调用

REAL SCENE

先从一个真实场景开始

团队给模型三个完全相似的理想范例，常见输入表现很好，一遇到缺字段、否定或边界情况便崩溃。Few-shot 的价值不是让提示显得丰富，而是通过代表性示例消除歧义；任务分解也不是强迫模型输出冗长思考。

PLAIN EXPLANATION

说人话：它到底是什么？

Few-shot 是在上下文中提供少量输入输出示例，让模型模仿任务边界、类别区分和格式。示例应覆盖容易混淆与高风险情况，并避免泄露敏感数据。任务分解把复杂目标拆成可验证子任务，可由工作流逐步执行，也可要求模型只输出结论和可检查中间产物。模板则把固定规则与动态变量分离，支持版本化复用。

示例选择与覆盖

先从失败分析寻找类别边界，再选择少量差异明显的正例、反例和无答案例。示例顺序和标签分布会影响输出，不能只展示理想答案或让某类占绝对多数。

覆盖边界而非重复常规
示例来源脱敏并有许可
定期随真实失败更新

分解与可验证中间物

复杂任务可拆为提取事实、判断规则、生成建议和检查输出，每步定义输入输出。不要依赖不可见的长思维过程证明正确，应保留引用、结构字段、工具结果等可外部核验产物。

确定步骤用代码完成
失败停在可恢复节点
最终答案与证据分开

模板变量与版本

模板包含固定政策和占位变量，变量需有类型、信任级别、长度与缺省值。渲染后测试分隔符、特殊字符和注入；版本变更记录目的、样本结果与适用模型。

变量不通过字符串随意拼接
模板与业务规则分开维护
旧版本可快速回滚

Few-shot 用少量差异化案例定义边界，不重复理想答案。

复杂任务拆成可验证中间产物，不把冗长思考当证据。

固定规则与动态变量分离，并对模板进行版本和注入测试。

#Few-shot #任务分解 #提示模板

KEY POINT

这节课最重要的结论

核心重点

示例应覆盖边界与差异，而不是重复同一种理想答案。

为什么重要: 这决定了与算法和工程团队共同设计 Prompt、RAG、Agent 和评测方案时，团队是否拥有一致、可验证的判断标准。
适用边界: 当问题目标、数据来源或失败成本发生变化时，不要机械套用；先重新确认假设和风险等级。

EXAMPLES

正确案例与常见反例

✓ 正确做法

工单分类模板提供退款、物流、账号三个典型例子，以及“同时涉及退款和账号”和“信息不足”的边界例。流程先提取事实与引用，再输出类别和置信原因；动态工单放入明确数据区，模板版本关联混淆矩阵。

× 常见误区

十个示例全是简短退款成功案例，复制真实用户姓名和订单；模型遇到多意图便随意选类。团队要求输出全部思考过程却不验证事实，模板用字符串拼接，用户输入能提前关闭分隔并注入新指令。

和工程师这样沟通

“Few-shot 请从混淆矩阵选择边界样本，保留脱敏输入、目标输出和选择理由。任务分成 factExtraction 与 classification 两步，事实带 sourceSpan；变量使用结构化消息传入并记录 templateVersion。”

HANDS-ON

必做实操任务

本节产出：“Prompt 模板、RAG 流程、Agent 工作流与评测集”阶段任务中的《Few-shot、任务分解与提示模板》一页实践卡

步骤 1从失败集中挑选三个差异化 Few-shot，并说明每个覆盖的决策边界。
步骤 2把一个复杂任务拆成三个具有明确输入输出和失败条件的步骤。
步骤 3设计信息不足、冲突输入和多意图反例，观察模型是否遵守边界。
步骤 4建立模板变量表并测试长文本、分隔符、空值和恶意指令。

○

实践完成度 0/4

实践结果会自动保存在本机，并进入项目工坊的任务来源。

Few-shot 与任务模板

任务与最易混淆边界：____
示例 1：输入____ 输出____ 覆盖____
示例 2：____
示例 3：____
反例/无答案：____
步骤 1：输入____ 输出____ 校验____
步骤 2：____
步骤 3：____
用户可见结果：____
模板变量｜类型｜来源｜长度｜缺省：____
注入与特殊字符测试：____
版本、评测变化与回滚：____

CHECKLIST

产品经理工作检查表

示例是否覆盖高频、边界、反例和无答案？示例是否脱敏、许可且与生产输入同分布？任务步骤是否各有可验证输出和失败恢复？是否避免把不可核验的长思考当作正确证明？模板变量、分隔、版本、测试和回滚是否明确？

INTERVIEW

常见面试题

Few-shot 与任务分解分别解决什么问题，如何避免过度设计？

展开参考回答

Few-shot 用少量代表性例子定义格式与决策边界，优先选择混淆、反例和无答案；任务分解把复杂工作拆成可验证步骤，保留引用和结构结果，而非展示不可核验长思考。若零样本已稳定就不增加示例，若确定工作流可完成就不引入开放推理，并通过固定评测集验证增益。

RECAP & FURTHER READING

重点回顾、延伸阅读与下一步

一句话回顾示例应覆盖边界与差异，而不是重复同一种理想答案。

1
围绕“Few-shot、任务分解与提示模板”继续阅读：阅读模型或 AI 框架的官方概念文档，区分能力原理、评测条件与真实产品限制。
2
用“Few-shot、任务分解、提示模板”作为检索词，分别写下一条定义、一条适用边界和一个反例。
3
对照本课正确案例与反例，寻找一个公开案例并记录其中可复用的判断与不能照搬的条件。

关联术语