如果現在來了一位新實習生幫你處理公文，你如何指示他完成工作？：

• Zero-shot（零樣本提示）：就像「直接交辦任務」。你只跟他說「請把這封信分類為正面或負面」，不給他任何過去的範本，完全考驗他原本的理解能力。
• One-shot（單樣本提示）：就像「附上一份範本」。你給他看過往處理過的 1 個 成功案例，讓他仿照那個格式來填寫。
• Few-shot（多樣本提示）：就像「附上 3～5 份多樣化的範本」。你給他看多個不同情境的示範，讓他迅速抓到規則與寫作模式，大幅降低做錯的機率。

🎯 核心重點

1. Zero-shot Prompting（零樣本提示）：
   • 最簡單的提示類型，完全不提供任何示範例子，僅給出任務說明或問題。
   • 當 Zero-shot 無法精準引導模型產出符合結構或風格的答案時，就需要升級使用 One-shot 或 Few-shot。
2. One-shot & Few-shot Prompting（單樣本與多樣本提示）：
   • One-shot：提供 1 個 示範範例，讓模型進行模仿。
   • Few-shot：提供 多個 示範範例（展現特定模式）。
   • 範例數量的黃金法則：通常建議提供 3 到 5 個 高質量的範例（亦可從 6 個開始測試），複雜任務可適度增加，但需注意不要超過模型的 Token 長度限制。
3. 高品質 Few-shot 範例的挑選原則：
   • 相關性與高品質：範例必須極度精準且撰寫良好，因為模型會忠實模仿，範例中的微小錯誤都會混淆模型。
   • 加入邊界案例（Edge Cases）：若希望模型能處理罕見或異常的輸入，必須在範例中加入極端或不尋常的案例。
4. 分類任務的過擬合避坑技巧（Mix up the classes）：
   • 在進行文字分類的 Few-shot 提示時，必須打散（混合）範例中標籤類別的出現順序（例如不要全部 Positive 放在前面，Negative 放在後面），避免模型「過度擬合（Overfitting）」，也就是只會死記順序規律，而非學習文本特徵。

💡 實際例子

假設你是公司的客服主管，希望 AI 幫你把客戶在網站上的留言，自動轉成「問題類別｜優先度」 的輸出格式。

1. Zero-shot（零樣本提示：完全不給範例）

• 你發給 AI 的提示詞：

  請將以下客戶留言分類為「問題類別」與「優先度」：
  留言：「產品收到時外盒嚴重壓爛，裡面的機器無法開機！」

• AI 的輸出結果：

  類別：硬體損壞
  優先度：高

• 運作解析：你完全沒教它格式長怎樣或什麼叫高優先度（0 個範例），全憑 AI 自身的基礎理解去判斷與輸出。

2. One-shot（單樣本提示：給 1 個範例）

• 你發給 AI 的提示詞：

  請模仿範例格式，將客戶留言轉為類別與優先度。

  【範例 1】
  留言：「請問你們的退換貨政策在哪裡看？」
  結果：類別：一般諮詢｜優先度：低

  【現在輸入】
  留言：「我付完款後系統顯示失敗，但信用卡卻被重複扣款兩次！」

• AI 的輸出結果：

  結果：類別：金流異常｜優先度：高

• 運作解析：因為你給了 1 個 示範（One-shot），AI 不僅能精準模仿「結果：類別：XX｜優先度：XX」這種單行格式，也抓到了分類的邏輯。

3. Few-shot（多樣本提示：給 3~5 個多樣化範例）

• 你發給 AI 的提示詞：

  請將客戶留言轉為固定格式（類別｜優先度）：

  【範例 1】 留言：「請問這款衣服有黑色 L 號嗎？」 -> 類別：商品庫存｜優先度：低
  【範例 2】 留言：「使用到一半忽然冒煙噴火，差點燒到手！」 -> 類別：安全事故｜優先度：緊急
  【範例 3】 留言：「包裹已經三天沒更新物流狀態了。」 -> 類別：配送問題｜優先度：中

  【現在輸入】 留言：「手機 APP 更新後一直閃退，完全打不開！」

• AI 的輸出結果：

  -> 類別：軟體異常｜優先度：高

• 運作解析：你給了 3 個涵蓋不同情境與緊急程度的範例（Few-shot）。AI 看到「安全事故（緊急）」與「庫存詢問（低）」的對比後，能更精準判斷「APP 閃退」屬於「軟體異常」，且優先度高於一般諮詢但低於實體安全事故。

❌ 常見錯誤

1. 在 Few-shot 範例中留有小錯誤或不一致的格式：模型具備極強的模式模仿能力，範例中任何標點符號或拼字錯誤都會被模型複製到最終輸出中。
2. 分類任務中範例順序沒有打散：如果 Few-shot 範例順序永遠是「正面 -> 正面 -> 負面 -> 負面」，模型可能會誤以為輸出結果也必須遵循此週期，導致判斷失真。
3. 範例過多導致 Token 超限：雖然範例多有助於理解，但若超出模型的 Input Token 限制，反而會導致提示詞被切斷或增加運算成本。

📖 來源依據

內容依據《Prompt Engineering》教材：

• Zero-shot 定義與影評分類範例：第 13–15 頁
• One-shot & Few-shot 定義與建議數量：第 15–16 頁
• 披薩訂單 JSON 格式 Few-shot 範例：第 16–17 頁
• Few-shot 範例品質與 Edge Cases：第 17、54 頁
• 分類任務混合類別順序：第 59–60 頁

📝 3 題理解測驗

第 1 題（單選題） 關於 Zero-shot、One-shot 與 Few-shot 提示技術的比較，下列哪一項描述是正確的？ (A) Zero-shot 意指完全不需要寫提示詞，模型就會自動產生答案。 (B) Few-shot 是指在提示詞中提供多個範例，通常建議以 3 到 5 個高質量範例為基準原則。 (C) One-shot 效果永遠比 Few-shot 好，因為單一範例不會干擾模型的發揮。 (D) Few-shot 範例數量越多越好，不需要考慮模型輸入 Token 的長度限制。

第 2 題（單選題） 在設計分類任務（如郵件垃圾分類：垃圾郵件 / 一般郵件）的 Few-shot 提示詞時，教材特別強調了哪一個最佳實踐（Best Practice）？ (A) 範例必須全部使用「垃圾郵件」，讓模型專注學習單一類別。 (B) 必須將不同類別的範例順序混合打散（Mix up the classes），避免模型對範例順序過擬合。 (C) 範例中絕對不能包含異常或邊界案例（Edge cases），以免干擾模型判斷。 (D) Temperature 必須調整到最大值（1.0），才能讓 Few-shot 範例發揮最大效果。

第 3 題（應用簡答題） 假設你希望 LLM 把非結構化的客戶留言，精準轉換成符合你公司系統要求的 JSON 格式。 請問你會選擇 Zero-shot 還是 Few-shot？請結合本單元學到的觀念說明原因。

測驗答案：（參考）
第1題：B。Few-shot 提示的核心就是提供多個示範（通常建議 3~5 個高品質範例），讓模型進行模式模仿。
第2題：B 。在分類任務中混合打散範例的類別順序（Mix up the classes），能防止模型對範例出現的順序產生「過擬合（Overfitting）」與死記。
第3題：選擇Few-shot。因為客戶留言是多樣性的，含括了不同的情境，所以給予LLM多個不同情境的示範，讓他可以更迅速地抓到規則與寫作模式，將大幅降低做錯的機率。

註：

這「學習系列」的文章，是記錄自己與AI一起探索知識的過程，也是我將AI做為私人家教的一項試驗。對於如何藉由Ai輔助自我學習，請參考這篇：
https://blog.udn.com/tku_89056/192561353
https://goldenbird-willy.blogspot.com/2026/09/gemini-notebook-ai.html

學習教材：《Prompt Engineering》
本書探討了提示工程的核心概念、多種進階技巧、以及最佳實務（use cases）。內容涵蓋如何設定大型語言模型的輸出長度與取樣參數，並且介紹零樣本、少樣本、角色扮演、思維鏈、以及如何結合外部工具的推理與行動等實用策略。此外，本書也示範了如何利用人工智慧來編寫、解釋、翻譯和除錯程式碼。最後，本書提供了多項專業的建議，例如簡化提示設計、優先使用正面指令、利用如JSON的結構化格式、以及落實詳盡的版本記錄與迭代。
本書作者Lee Boonstra是一名人工智慧軟體工程師、技術主管和系統架構師，在谷歌全球首席技術官辦公室（OCTO）、應用創新工廠等擁有10年以上的資歷。
免費下載：https://www.kaggle.com/whitepaper-prompt-engineering