Few-shot 示例挑选比示例数量更重要

Few-shot 示例筛选 这件事在 2023 年开始越来越频繁地进入真实项目，但很多团队一开始只看到表面收益，没有先把边界收住。只要 为了追求“多给点参考”，把重复且同质的示例不断堆进上下文，问题就会很快从“一个小体验瑕疵”变成系统性的维护成本。

我现在更倾向的做法，是先把这类能力当成正式工程问题来看，而不是把它当成一个临时技巧。对我来说，最关键的一步通常是 示例应该覆盖差异场景，而不是重复展示同一种答案格式，因为只有边界先明确，后面的优化、扩展和排查才不会一直漂。

真正容易被忽略的，往往不是功能能不能做出来，而是以下这些细节：

• 优先保留边界案例和容易错的样本
• 示例格式要稳定，否则模型会学到噪音
• 随着业务变化定期替换示例，不要让旧案例长期误导输出

这些细节看起来都不大，但它们决定了系统是在 demo 阶段“能跑”，还是进入业务以后依然稳定。越是和 AI、工作流、构建链路这类复杂能力相关，越不能靠感觉把事情糊过去。

这类 AI 接口问题最怕把系统性成本藏在一次调用里

像「Few-shot 示例挑选比示例数量更重要」这种 AI 应用主题，前期最容易被忽略的，是大家总把它看成“调一次接口”的问题，而不是协议层和运行时边界。真正难管的从来不是第一次调用成功，而是超时怎么收、上下文怎么裁、输出怎么约束、失败样本怎么复盘。只要这些约束长期散落在代码细节里，接口一多，系统行为就会越来越不可预测。

我会先补的协议层

• 把输入约束、上下文裁剪和输出 schema 明确下来，减少对模型自由发挥的依赖。
• 把重试、超时、流式返回和幂等语义分开设计，别让一个补救动作带来新的副作用。
• 给关键请求保留样本日志和版本点，这样后来优化成本、记忆或提示词时才有可比依据。

小结

Few-shot 的价值不在堆数量，而在精准示范。例子挑得准，模型比看到十条相似示例更容易学对。