Few-shot 提示教學：給 AI 幾個範例，讓它模仿你的風格與格式

寫 Prompt 想要 AI 模仿特定風格時，大多數人的直覺是「把風格用形容詞描述清楚」——專業、親切、簡潔、有溫度。結果你堆了一串形容詞，AI 還是給你一篇似是而非、明明照著做了卻就是不對味的東西。這篇文章要教你一條更有效的路——Few-shot 提示（Few-shot Prompting）：與其用一堆規則描述你要什麼，不如直接丟給 AI 幾個範例，讓它看著你的示範依樣畫葫蘆。 適合已經會下基本指令、但一碰到「要有我的風格」「要照固定格式」就翻車的工作者，以及準備把 AI 產出接進正式流程、需要穩定一致輸出的團隊。讀完你會得到可直接複製的 Few-shot Prompt 模板、挑選範例的判斷原則、一套「測試→汰換範例」的收斂方法，以及一個進階的「動態檢索範例」做法，讓你的 Prompt 隨情境自動換上最對的示範。

為什麼描述一堆規則，AI 還是抓不到你的風格？

先講一個很多人都踩過的坑。假設你要 AI 幫你回覆客戶詢問，你下了這樣的指令：「請用專業、親切、簡潔的語氣回覆，要有禮貌、不要太官腔、結尾要關心對方。」聽起來很完整對吧？但跑出來的回覆，不是太制式像罐頭，就是熱情過頭一堆驚嘆號，總之就是「不像你會寫的」。

問題出在哪？風格這種東西，本質上很難用文字精準描述。 「親切」對你來說可能是用「我幫您看一下喔」這種口吻，對模型來說可能變成連發三個笑臉。形容詞是抽象的，每個人腦中的定義都不一樣，模型只能猜。你越想用規則把風格框死，就越會發現有些東西「只能意會、不能言傳」。

這時候 Few-shot 提示就派上用場了。它的核心邏輯是：與其告訴模型「該怎麼做」，不如直接給它看「做出來長什麼樣」。 人在學一項技能時也是這樣——學寫公文，看十篇範本比讀十條規則有用；學煮一道菜，看師傅做一次比背食譜步驟更快上手。模型同樣吃這一套，給它幾個高品質的「輸入→輸出」範例，它就能從中歸納出你沒明說、甚至你自己都講不清楚的風格特徵。

這也是 ChatGPT 提示詞指南 與 Prompt 工程框架 之後的一項關鍵進階功夫——當你發現再怎麼描述都講不清楚時，就是該換成「用範例教」的訊號。換個角度說，Few-shot 是把抽象的「規則描述」翻譯成具體的「行為示範」，而模型最擅長的，正是從具體樣本裡反推出隱藏的規律。

核心概念：Zero-shot、One-shot、Few-shot 差在哪？

要搞懂 Few-shot，先把它放回提示策略的光譜上看。所謂的「shot」，指的就是你在 Prompt 裡給了模型幾個範例。

關鍵差別在於：Zero-shot 靠的是模型既有的知識，Few-shot 靠的是你當場示範的樣板。 當任務本身很標準（例如「把這段英文翻成中文」），模型早就會了，給範例反而多餘。但當任務帶有「你的味道」——你的品牌語氣、你公司特有的回覆格式、你習慣的條列方式——這些是模型不可能事先知道的，這時就非得用範例教不可。

再補一個容易被忽略的觀念：Few-shot 教的不只是風格，更是「格式」。 如果你希望輸出永遠是「一句問候＋三個重點＋一句行動呼籲」的固定結構，與其用文字描述這個結構，不如給兩三個已經長這樣的範例，模型會自動把格式複製過去。這對需要穩定接進 Workflow 自動化的場景特別重要——格式穩，後面的程式才好解析。如果你要的不只是「長得像」，而是嚴格的 JSON、表格或欄位輸出，建議把 Few-shot 範例和 結構化輸出提示 一起用：範例負責示範「樣子」，明確的 schema 規則負責守住「合法性」。

Few-shot 在三大提示技巧裡的定位

很多人會把 Few-shot、思維鏈、Prompt 串接混為一談，其實它們各管一件事，搞清楚分工才知道什麼時候該用哪一個。

這三者不是互斥的，反而常常疊在一起用。最典型的就是「Few-shot＋思維鏈」：你在每個範例裡不只給答案，還示範一段簡短的推理過程，模型就會連你的「思考方式」一起學起來——這在分類、評分、判斷類任務上特別有用，後面的進階段落會展開講。

實際教學：五步寫出有效的 Few-shot Prompt

Step 1：確認任務適不適合用 Few-shot

不是所有任務都需要範例。先問自己一個問題：「這件事的難點，是模型不會做，還是做得出來但不合我的味？」

如果是「不會做」——例如需要最新資料、需要算複雜的數學——那給範例沒用，你該補的是資料或工具。但如果是「做得出來但不對味」——風格不對、格式跑掉、語氣不一致——這正是 Few-shot 的主場。客服回覆、社群貼文、產品文案、資料整理成固定表格，這幾類都很適合。如果你還不確定怎麼把指令的骨架搭好，可以先回頭把 Prompt 工程框架 的基本結構打穩，再來疊 Few-shot。

Step 2：挑選 2 到 5 個高品質範例

這是整個流程最重要、也最被低估的一步。記住一句話：範例的品質，就是輸出品質的天花板。 你給模型看垃圾，它就還你垃圾的進階版。

挑範例有三個原則。第一，用你真正滿意的成品，最好是過去人工寫出來、品質有保證的真實案例，不要隨便編。第二，範例要涵蓋變化——如果你要回覆客戶，那就準備一個「詢問型」、一個「抱怨型」、一個「稱讚型」的範例，讓模型看到不同情境該怎麼應對。第三，寧缺勿濫，三個精挑細選的好範例，勝過十個品質參差的範例。

如果手邊真的沒有現成範例可挑，與其硬擠，不如先用 Meta Prompting 請 AI 幫你「依這個情境生成 3 組草稿範例」，再由你人工挑選潤飾成定稿——這比從零開始寫快得多，但定稿的把關權一定要握在自己手上。

Step 3：統一範例的格式與標籤

模型很聰明，但也很容易被混亂的格式搞糊塗。你要做的是把每一組範例用固定的結構包起來，讓模型一眼看出「這是輸入、那是輸出、這是要模仿的對象」。

最常用的做法是給每段加標籤，例如用「客戶訊息：」和「回覆：」當欄位名，每組範例之間空一行隔開。重點是所有範例都要長得一模一樣——同樣的標籤、同樣的分隔符、同樣的縮排。只要有一組格式跑掉，模型就可能學歪。

Step 4：組裝完整的 Few-shot Prompt

把零件拼起來，順序通常是：先給一句總指令 → 接上幾組範例 → 最後放真正要處理的輸入，並留一個空的輸出欄位讓模型接著寫。

這裡有個常被忽略的細節：待辦的輸入一定要和範例用同樣的格式呈現。如果你的範例都是「客戶訊息：……回覆：……」，那真正要處理的那筆，也要寫成「客戶訊息：（這次的內容）回覆：」並停在這裡，讓模型自然地接著補上回覆。格式一致，模型才知道要把答案填在哪。

Step 5：用新輸入測試，汰換拖後腿的範例

寫完不是結束，而是開始調校。拿幾筆範例裡沒出現過的新輸入去測，看模型的產出穩不穩、像不像。

如果某種情境老是失敗，通常代表你的範例沒涵蓋到那種變化，補一個對應的範例進去。如果加了某個範例後整體變差，那這個範例可能風格不一致，把它換掉。這個「測試→找出問題範例→汰換」的循環跑個兩三輪，你的 Few-shot Prompt 就會收斂到非常穩定的狀態。這套思路和 Prompt 串接 裡「加檢核與回退」的精神是相通的——都是靠驗證來逼近穩定。

範例：可複製的 Prompt 與 Workflow 流程圖

以下是一個客服回覆的 Few-shot Prompt 模板，你可以直接複製，把範例換成自己公司的真實案例：

你是我們品牌的客服人員。請參考以下範例的「語氣」與「格式」，回覆最後一則客戶訊息。
語氣原則：親切、不官腔、先同理再解決、結尾關心對方。

---
客戶訊息：請問我昨天下的訂單什麼時候會出貨？
回覆：您好～幫您查了一下，您的訂單已經在備貨中，預計明天就會出貨喔！出貨後系統會自動寄送追蹤碼給您，請再留意一下信箱。如果還有任何問題，隨時告訴我們：）

---
客戶訊息：收到的商品有瑕疵，我很不滿意！
回覆：真的很抱歉讓您收到有瑕疵的商品，這不是我們希望您有的體驗。我們會立刻為您安排換貨，並附上回郵讓您免費寄回。能否麻煩您拍一張瑕疵照片給我們，我們會優先處理，盡快讓您收到完好的商品。

---
客戶訊息：你們的東西真的很好用，謝謝！
回覆：看到您這樣說，我們整個團隊都好開心～非常謝謝您的支持與肯定！如果之後使用上有任何想法或建議，都歡迎告訴我們，我們會繼續努力做得更好。

---
客戶訊息：（在這裡貼上這次要回覆的真實客戶訊息）
回覆：

如果這組「角色＋語氣原則」是每次都固定要用的，更穩的做法是把它抽出來放進 System Prompt 當常駐設定，使用者訊息只放當次的範例與待辦輸入，這樣多輪對話下來語氣不會走鐘。

對應的文字版 Workflow 流程圖如下，可以接進你的自動化流程裡：

客戶來訊
   ↓
判斷是否屬於可自動回覆類型（查詢／抱怨／稱讚）
   ↓
依類型，從範例庫動態抽出最相關的 3 組範例
   ↓
套用 Few-shot 模板（指令 + 動態 3 組範例 + 本次訊息）
   ↓
模型產出回覆草稿
   ↓
信心檢核：是否含敏感詞／金額／退款承諾？
   ├─ 否 → 直接送出或排入待發
   └─ 是 → 轉真人客服審核後再送
   ↓
記錄此次問答 → 定期挑出好回覆，回補成新範例

注意最後一步：把表現好的真實問答回補成新範例，等於讓你的 Few-shot 模板會隨時間越養越準。想要更多現成可套的範本，可以到 任務食譜書 找對應情境的版本，或直接用 提示詞產生器 產一版含範例的起手式再微調。

進階：更深入的一層——讓範例自己「動起來」

學會了基本五步，多數人會卡在一個瓶頸：範例放固定的那幾組，遇到沒見過的情境就開始飄。 你想多塞一點範例涵蓋更多狀況，又怕 token 爆掉、焦點被稀釋。這一節談三個進階手法，幫你突破這個天花板。

一、動態範例檢索（Dynamic Few-shot Retrieval）

這是進階做法的核心。與其每次都塞同一組固定範例，不如**根據這次的輸入，從範例庫裡即時挑出「最相關的 2～3 個」**再組進 Prompt。詢問出貨就抽出貨類範例，客訴抱怨就抽抱怨類範例。

做法有兩種層次。輕量版：用規則分類（關鍵字、意圖判斷）把輸入分到某一類，再從該類抽範例。進階版：把範例庫向量化，用語意相似度檢索出最接近當前輸入的範例——這其實就是 RAG 的精神套在範例挑選上。動態檢索的好處很實際：命中率更高、token 更省、涵蓋面更廣，因為你的範例庫可以養到上百組，但每次只挑最對的幾個進場。

二、Few-shot＋思維鏈：連「怎麼想」一起教

純風格模仿不需要推理，但只要任務帶判斷成分——例如「把客訴依嚴重程度分成高／中／低」「幫履歷打分數」——光給「輸入→輸出」就不夠了，模型不知道你是「憑什麼」這樣判。

解法是在每個範例裡多示範一段簡短推理，把它升級成 Few-shot 加上 思維鏈（Chain-of-Thought）：

客訴內容：商品晚了兩天到，但東西完好。
判斷理由：有延遲但無實質損失，客戶語氣平和 → 屬輕微。
嚴重程度：低

客訴內容：付款成功但訂單消失，客戶已等三天無人回應。
判斷理由：涉及金流疑慮且久候無回應 → 信任受損，需優先處理。
嚴重程度：高

模型看了會學到的不只是「答案長怎樣」，而是「你判斷的依據」。實務上這能明顯拉高判斷一致性，因為你把隱性的評分標準，變成了模型看得到的示範。

三、用元提示批量養範例庫

範例庫要養大，純靠人工寫太慢。進階團隊的做法是把 Meta Prompting 接進流程：先請 AI 依某情境生成一批候選範例，再走一道人工篩選關卡，留下達標的入庫。整套思路其實和 Prompt 串接 很像——把「生成範例→人工把關→入庫→上線測試」串成一條會自我增強的管線。記住那條鐵律：AI 可以幫你生草稿，但定稿的品質關，必須由人把守，因為範例就是輸出的天花板。

常見錯誤：這幾個地雷會讓 Few-shot 失效

• 範例品質參差：用了幾個自己其實也不太滿意的範例，模型只會學到平庸。範例是天花板，務必精挑。
• 格式不一致：三組範例用了三種標籤或分隔方式，模型抓不到該模仿哪個結構，輸出就會亂。
• 範例和待辦輸入沒隔開：模型分不清哪段是示範、哪段是任務，可能把範例內容也當成要回答的東西。
• 範例太多太雜：塞了十幾個雷同範例，不但吃 token，還稀釋焦點，效果反而比三個精選範例差。
• 範例涵蓋面太窄：全部都是同一種情境的範例，一遇到沒見過的狀況就翻車，記得讓範例帶點變化，或改用上面講的動態檢索。
• 範例藏了偏誤：例如三個範例剛好都是長回覆，模型就以為「一定要寫很長」；範例裡的隱性偏好，模型會照單全收，挑範例時要留意。
• 該用結構規則卻只靠範例：需要嚴格機器可解析格式時，光靠範例示範不夠保險，要搭 結構化輸出 的明確規則一起守。

最佳實務：讓 Few-shot 又準又省的幾個技巧

第一，範例先 in-house 養一批。把公司裡公認寫得好的真實案例整理成一個範例庫，依情境分類，要用時直接抽。這比每次臨時編範例又快又穩。

第二，動態挑範例，而非全部塞進去。進階做法是根據這次的輸入類型，從範例庫裡挑「最相關的 2～3 個」放進 Prompt，而不是固定塞同一組。詢問出貨就放出貨類範例，抱怨就放抱怨類範例，這樣命中率最高、也最省 token。

第三，把規則和範例搭配用。Few-shot 不是要你完全不寫規則，而是「能用範例示範的就示範，講得清楚的硬規則（例如『金額一律不要在訊息裡承諾』）就明寫」。範例負責風格，規則負責紅線，兩者互補最穩。配合 System Prompt 把紅線規則設成常駐，效果更扎實。

第四，範例放在指令之後、輸入之前。這個位置順序對多數模型最友善：先讓模型知道任務目標，再看示範，最後接到真正要處理的輸入，符合人類「先理解、再看範例、再動手」的認知節奏。Few-shot 也能和 Prompt 串接 合用，在串接的某一段嵌入範例，讓那一步更精準。

實際案例：台灣電商客服導入 Few-shot 的前後對比

以下是一個整理自台灣中小型電商常見情境的案例。某家經營保養品的網路品牌，每天透過官方 LINE 和社群收到約 200 則客戶訊息，原本由兩位客服人員手動回覆。

導入前的痛點：兩位客服人手寫回覆，尖峰時段回不完，平均首次回覆時間長達 35 分鐘；更麻煩的是兩人語氣不一致，有人偏制式、有人偏隨性，客戶體驗忽冷忽熱。團隊曾試過用 Zero-shot 方式叫 AI 幫忙草擬，但跑出來的回覆「太官腔像罐頭」，客服得大改才能用，等於沒省到力。

導入做法：團隊先從過去三個月的對話紀錄裡，挑出 18 則客服主管公認「最得體」的真實問答，依「查詢、抱怨、退換貨、稱讚」四類各選範例，建成一個小範例庫。再用本文的 Few-shot 模板，依每則來訊的類型動態抽 3 個對應範例組成 Prompt，產出回覆草稿，含金額或退款承諾的才轉真人審核。

導入後的成果數據（導入 6 週後與導入前一個月相比）：

• 平均首次回覆時間從 35 分鐘降到約 6 分鐘，縮短約 83%。
• 可直接送出、不需修改的回覆草稿比例，從 Zero-shot 時期的不到 2 成，提升到約 7 成。
• 客服每日手動撰寫的訊息量減少約 6 成，兩位客服得以把時間挪去處理真正棘手的客訴。
• 客戶滿意度問卷中「回覆語氣得體」一項，正面評價從導入前的 71% 提升到 89%。

關鍵轉折就在那 18 則精選範例——團隊沒有去寫一份洋洋灑灑的「客服語氣規範」，而是直接拿真實的好回覆當範例，讓 AI 模仿。這正是 Few-shot 的威力：把「講不清楚的風格」變成「看得到的示範」。

第二個案例：台灣內容團隊用 Few-shot 統一專欄調性

再看一個內容產製的情境。某個經營理財知識的台灣自媒體團隊，有四位約聘寫手協作同一個專欄，長期苦於「每個人筆調差太多」——有人愛掉書袋、有人太口語，導致整個品牌的聲音不一致，主編每篇都要重抓語感、改到深夜。

他們的做法是：把過去點閱與留言反應最好的 5 篇文章，各抽出「開頭鉤子段」「重點條列段」「結尾行動呼籲段」三種片段，整理成一份分段範例庫。寫手動筆前，先用 Few-shot 餵 AI 產一版符合品牌調性的草稿骨架，寫手再在骨架上補血肉。

成果是：新進寫手的稿件「需要主編大改」的比例，從導入前約 6 成降到約 2 成；主編花在「對齊調性」的時間，每篇從平均 40 分鐘降到約 12 分鐘。團隊的心得很直白——與其寫一份沒人會認真看的「品牌語氣手冊」，不如把手冊變成五篇看得到的範例。 想把這套流程接成可重複的自動化，可以參考 Prompt 串接 把「產骨架→寫手補寫→AI 校稿」串起來。

上述兩個案例的數據為情境化示意，實際成效會因產業、範例品質與商品特性而異，導入前建議先小規模試跑驗證，再逐步擴大。

結論：當你描述不清楚時，就用範例教

回到最開頭那個困擾：為什麼描述一堆規則，AI 還是抓不到你的風格？因為風格本來就難用文字精準傳達，但很容易用範例展示。 Few-shot 提示的精髓，就是承認「有些東西只能意會」，然後乾脆把那個「意會」具體化成幾個看得見的範例，讓模型照著模仿。

實作上記住這條主線：確認任務適合用範例 → 精挑 2 到 5 個高品質範例 → 統一格式與標籤 → 按結構組裝 → 用新輸入測試並汰換。 範例品質是天花板，格式一致是地基，動態挑選與「Few-shot＋思維鏈」則是把你推上進階的兩塊跳板。把這套練熟，你會發現很多原本「怎麼描述都不對味」的任務，丟幾個範例就解決了。

下一步往哪走？如果你的任務帶判斷或推理，接著把 思維鏈（Chain-of-Thought） 疊上去，讓模型連「怎麼想」一起學；如果你要把 Few-shot 接進多步驟自動化，就用 Prompt 串接 把整條流程編排起來；如果你想要的是穩定可解析的輸出格式，結構化輸出提示 會是你的下一塊拼圖。想直接拿可套用的提示詞，任務食譜書 有大量分類好的範本；有導入上的具體問題，也歡迎透過 聯絡我們 與 AgentAI 智庫團隊討論。

❓ 常見問題 FAQ

🔗 延伸閱讀

• ChatGPT 提示詞完整指南：從入門到進階
• Prompt 工程框架大全：5 種框架寫出穩定指令
• Prompt 串接（Chaining）：把複雜任務拆成多段提示
• 結構化輸出：讓 AI 穩定吐出可解析的格式
• 思維鏈（Chain-of-Thought）：讓 AI 一步一步想