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

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 。

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

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 。