AI 提示中該放範例嗎？最佳數量是幾個？

是的——在你的提示中加入精心挑選的範例（即「少量範例提示」），是提升 AI 輸出品質最有效的技巧之一。 少量範例提示（few-shot prompting）是在提示中提供示範，引導模型朝更好的方向表現，並根據所提供的範例來調整其回應 。最佳數量通常落在 2 到 5 個範例之間，證據與指南均指出，加入過多範例可能導致效益遞減，甚至出現負面效果 。

關鍵發現

• 範例能大幅提升準確度。 舉例來說，Claude 3 Haiku 在零範例時的正確率僅 11%，加入三個範例後躍升至 75%，表現可與規模更大的模型在零次學習時相匹敵 。
• 2 到 5 個範例是研究證實的最佳區間。 提示工程指南通常將少量範例提示定義為使用約 2 到 5 個範例，一份指南更明確指出 2 到 5 個範例是典型的理想範圍 。
• 範例並非越多越好。 一篇 arXiv 研究發現了「過度提示」的問題——加入太多範例反而會降低模型表現，挑戰了「範例越多越好」的假設 。
• 範例品質比數量更重要。 多樣化、高品質且具良好代表性的範例，效果可能優於單純增加範例數量；反之，不一致的範例會讓模型學到不一致的模式 。
• 對於推理密集型任務，先考慮零範例提示。 別假設範例總是必要的——先測試零範例提示與少量範例提示的效果，因為過度提示在某些情況下反而會降低表現 。

實務建議

情境	建議做法
格式敏感性任務（如 JSON、標籤、語氣）	使用 2 到 5 個乾淨、多樣化的範例，因為範例有助於錨定格式、語氣和標籤 。
一般文字生成 / 分類任務	從 2 到 3 個高品質範例開始，因為少量示範能引導模型朝更好的方向表現 。
推理密集型任務	先從零範例提示開始；若需要更強的格式控制，再加入 1 到 2 個範例，並測試範例是否有幫助 。
複雜的資訊抽取任務	使用一組少量但具代表性的範例，確保範例與任務高度貼合 。
不確定時	從 3 個範例開始，測試效果後再調整。2 到 5 個範例是普遍建議的範圍，過多可能導致過度提示 。

總結： 使用範例，數量控制在 2 到 5 個，並優先考慮品質與多樣性，而非數量 。務必測試你的特定模型在少量範例提示與零範例提示下的表現差異，特別是在推理密集型任務中，過多的範例不一定有幫助 。