4.2 Few-shot 学习与示例构建
Few-shot 学习是一种通过示例引导 AI 理解任务的技术。你不需要用大量数据训练模型，只需提供几个精选的输入-输出示例，AI 就能快速掌握任务模式。
4.2.1 示例选择策略
示例的质量直接决定 Few-shot 学习的效果。好的示例应满足三个原则：
质量原则
示例必须准确、清晰、典型：
- 准确无误：示例的输入-输出映射必须正确
- 清晰明确：避免模糊或有歧义的表述
- 典型代表：能够反映任务的核心特征
- 格式一致：所有示例使用统一的格式
多样性原则
示例应覆盖任务的不同方面：
- 类别平衡：分类任务中，各类别应有相等的示例数
- 边界案例：包含一些非典型或边界情况
- 复杂度层次：从简单到复杂的示例组合
相关性原则
示例应与目标任务高度相关：
- 领域匹配：金融任务使用金融领域的示例
- 任务类型匹配：分类任务用分类示例，生成任务用生成示例
Few-shot 学习利用了大语言模型的「上下文学习」（In-Context Learning）能力。研究发现，当模型参数量超过某个临界点，模型就能从提示词中的示例归纳出任务规则，无需额外训练。
4.2.2 示例格式设计
示例格式的选择取决于任务类型。以下是四种常用格式：
基本输入-输出对格式（适合简单映射任务）：
输入：苹果公司发布了新款 iPhone，市场反应热烈。
输出：积极
输入：公司第四季度亏损扩大，裁员 10%。
输出：消极带解释的格式（帮助模型理解判断逻辑）：
输入：虽然一季度利润下滑 10%，但公司表示已采取成本控制措施。
分析：虽然短期利润下滑是负面消息，但有明确的改善计划。
输出：中性偏积极思维链格式（适合复杂推理任务，详见 4.2.3）：
问题：某公司营收 100 亿，今年增长 20%，其中海外增长 50%。
已知海外占总营收 40%，计算海外市场营收。
让我们一步步思考：
步骤 1：今年总营收 = 100 × 1.2 = 120 亿
步骤 2：今年海外营收 = 120 × 40% = 48 亿
答案：48 亿元结构化提取格式（适合多字段提取任务）：
文本：特斯拉 2024 年 Q3 营收 251.8 亿美元，同比增长 8%，净利润 21.7 亿。
提取结果：
- 公司名称：特斯拉
- 时间周期：2024 年 Q3
- 营收：251.8 亿美元
- 营收增长率：8%
- 净利润：21.7 亿美元4.2.3 动态示例构建与思维链推理
在实际应用中，示例并非总是静态预设的。动态示例构建根据用户输入的特征，实时选择或生成最相关的示例，从而提升 Few-shot 学习的效果。
动态示例构建的核心思路：
- 语义相似度匹配：根据用户输入，从示例库中检索语义最相近的示例
- 类别感知选择：如果已知输入的可能类别，选择该类别的典型示例
- 难度适配：根据问题复杂度选择相应难度的示例
示例检索流程：
用户输入 → 语义编码 → 相似度计算 → 选取 Top-K 示例 → 组装提示词在 Opencode 的 Skill 中，可以通过以下方式实现动态示例：
## 示例库
本技能包含 20 个预设示例，按以下类别组织：
- 简单分类（5 个）
- 复杂推理（5 个）
- 边界案例（5 个）
- 混合类型（5 个）
## 示例选择规则
1. 如果用户问题简短明确，选择 2 个简单分类示例
2. 如果用户问题涉及多步骤分析，选择 2 个复杂推理示例
3. 始终包含 1 个边界案例作为参考思维链：一种特殊的动态示例技术
思维链（Chain of Thought, CoT）是动态示例构建的重要技术。它通过展示推理过程来引导 AI 解决复杂问题，可以显著提升复杂任务的准确率。
为什么 CoT 有效？
CoT 模拟了人类解决复杂问题的方式：将大问题分解为小步骤，逐步推进。研究表明，CoT 可将某些数学推理任务的准确率提升 4-400%。
Zero-shot CoT（最简单的实现）：
只需在提示末尾添加「让我们一步一步思考」：
问题：小明有 15 本书，借给朋友 3 本，捐给图书馆 4 本。
后来又买了 7 本，卖掉 2 本。小明现在有多少本书？
请一步一步思考后回答。AI 会自动展开推理过程：
让我一步步计算：
1. 小明最初有 15 本书
2. 借给朋友后：15 - 3 = 12 本
3. 捐给图书馆后：12 - 4 = 8 本
4. 买了新书后：8 + 7 = 15 本
5. 卖掉后：15 - 2 = 13 本
答案：小明现在有 13 本书。Few-shot CoT（通过示例演示推理过程）：
对于复杂任务，提供包含推理过程的示例效果更好：
示例：
问题：一个班有 32 名学生，女生比男生多 4 人。女生有多少人？
推理过程：
- 设男生有 x 人，则女生有 (x + 4) 人
- 男生 + 女生 = 总人数：x + (x + 4) = 32
- 2x + 4 = 32，解得 x = 14
- 女生人数 = 14 + 4 = 18
答案：女生有 18 人。
现在请解决：[新问题]- 适用场景：数学计算、逻辑推理、多步分析
- 不适用场景：简单查询、创意生成
- 示例数量：2-5 个示例通常足够
4.2.4 示例数量与质量权衡
示例数量的选择需要权衡多个因素：
| 任务复杂度 | 建议示例数 | 说明 |
|---|---|---|
| 简单分类 | 2-3 个 | 每个类别至少 1 个示例 |
| 中等复杂度 | 3-5 个 | 覆盖主要情况和边界案例 |
| 复杂推理 | 5-10 个 | 展示完整的推理过程 |
增加示例的好处：
- 提供更多模式供模型学习
- 覆盖更多边界情况
- 减少歧义
增加示例的代价：
- 消耗更多 token（增加成本和延迟）
- 可能超出上下文窗口限制
- 存在边际收益递减
研究表明（Brown et al., 2020, “Language Models are Few-Shot Learners”），主要性能提升发生在添加第 2 个示例之后，超过 5 个示例后收益显著递减。
实践建议：
- 从 2-3 个高质量示例开始
- 测试效果，不理想再增加
- 优先提升示例质量而非数量
- 注意示例的多样性和平衡性