Few-Shot 与 In-Context Learning：从示例中提炼规则

系列导读

你现在看到的是《Prompt Engineering 生产级实战：从零构建可落地的提示工程体系》的第4/10篇，当前这篇会重点解决：用最少示例获得最大效果，避免盲目堆砌示例。

上一篇回顾：第 3 篇《上下文窗口管理：如何让 LLM 记住该记住的？》主要聚焦 解决长对话或长文档场景下信息丢失的痛点，提升模型一致性。 下一篇预告：第 5 篇《输出格式化：让 LLM 输出可靠的结构化数据》会继续展开 将 LLM 的输出从“创意”变为“数据”，适配下游系统。

全系列安排

1. Prompt Engineering 入门：为什么你的提示词总是不靠谱？
2. Prompt 结构设计：拆解一个可复用的模板引擎
3. 上下文窗口管理：如何让 LLM 记住该记住的？
4. Few-Shot 与 In-Context Learning：从示例中提炼规则（本文）
5. 输出格式化：让 LLM 输出可靠的结构化数据
6. Prompt 链与流水线：多步推理的工程实现
7. 安全性：防止 Prompt 注入与越狱攻击
8. 评估与测试：如何量化 Prompt 的质量？
9. 成本与性能优化：让 Prompt 跑得更快更省
10. 从原型到生产：Prompt Engineering 的完整落地流程

一、导语：从“记忆”到“类比”的跃迁

在上一篇文章《上下文窗口管理：如何让 LLM 记住该记住的》中，我们讨论了如何通过滑动窗口、摘要压缩等技术，让模型在长对话或长文档场景下保持一致性。但记忆