课前导读
描述半天不如给一个好样本。给范例让 AI 模仿，是提示词从能用到对味的关键一步。
教学正文
描述一百遍，不如给一个样板
教新人写面试评价，你说破嘴"要客观、要结构化、要有依据"，他还是写得七零八落。但你把三份写好的评价往他面前一放："照这个样子写"，他立刻就上道了。给 AI 范例（few-shot）就是这个道理——示范比描述有效得多。
few-shot 是在提示词里塞几组"输入→输出"的样例，让 AI 从样例里"看懂"你要的格式、口吻和判断边界，再照着处理新内容。它学的不是你说的规则，是你做的示范。所以样例的格式、标签、口径必须一致，否则它学到的是一套混乱的规矩。
光给好例子会带偏，要给正例、反例、边界例
一个反直觉的坑：如果你只给"合格候选人"的样例，AI 会以为"所有候选人都该被肯定"，见谁都夸。
正确做法是给一组多样本——2 个合格、2 个不合格、1 个"信息不足需人工复核"。让它同时看到"什么该通过、什么该刷、什么该存疑"，它的判断边界才立得住。只喂正例，等于教它单向讨好；给全三类，才是教它判断。另外，样例里一旦有真实个人信息，AI 可能照抄或泄露，所以样例必须脱敏、必须声明"只学结构不抄内容"。
跟我做：用范例统一面试评价格式
目标是让 AI 输出的评价长得整整齐齐、判断有边界，而不是每次给你一段散文。用 DeepSeek，约 15 分钟。
- 打开 DeepSeek，新建对话，准备 3 条脱敏样例：候选人 A（合格）、候选人 B（信息不足需追问）、候选人 C（有明显风险）。三条覆盖"过/存疑/刷"，边界才教得全
- 每条样例都用同一套字段：核心优势 / 主要风险 / 需要追问 / 结论边界（不下录用决定）。字段口径必须字字一致，AI 才学得稳
- 提示词开头写：「学习下面样例的输出结构和判断边界，但不要复制样例里的任何具体事实。」
- 粘贴样例后，附上一份新的脱敏面试记录，要求「严格按样例结构输出，不虚构经历，不下录用/淘汰结论，信息不足就写清要追问什么」。
- 检查输出：结构是不是跟样例一致？有没有偷偷照抄样例里的事实？重点查它有没有把样例 A 的经历安到新候选人头上
- 预期看到：一份和样例同构、但内容全来自新记录的结构化评价。
只给好例子 vs 给全三类
带偏：只塞 3 份"优秀候选人"评价当样例，再让它评一个平庸的新人——它大概率给你硬夸，把普通表现写成"沟通能力较强、有培养潜力"。你以为它在评估，其实它在模仿"夸人"这个动作。
立住：塞进合格、不合格、待复核三类样例，同一个平庸新人，它会老实归到"信息不足需追问"或"风险：缺乏相关经验"。给它对照组，它才知道边界在哪。few-shot 给的不只是格式，是判断的坐标系。
想把这套做成招聘/培训/绩效各自的样例库（把隐性标准显性化），看本页底部"深入一层"。
样例带真实个人信息：AI 可能复用或泄露。样例全部编号化脱敏（候选人 A/B/C）。
只给正例：AI 学成单向讨好。给合格、不合格、待复核三类。
样例口径不一致：字段、标签、颗粒度不统一，AI 学到乱规则。所有样例用同一套字段。
让它模仿风格却没禁止抄内容：可能照搬样例里的句子和事实。明确"只模仿结构，不复用事实"。
配套视频演示
站内提示词库 · 覆盖 S2-3 · JD写作/绩效/招聘全模块，few-shot最好的范例就是一份写好的HR提示词
【2026新课】AI提示词，高效沟通指南
自测
1few-shot（给范例）为什么比反复描述要求更有效？
因为 AI 学的是"你做的示范"，不是"你说的规则"。你把几组"输入→输出"样例摆出来，它能直接看懂你要的格式、口吻和判断边界，比抽象地说"要客观要结构化"精确得多。前提是样例的格式和口径必须一致，否则它学到的是一套自相矛盾的规矩。
2为什么只给'好例子'反而会出问题？
因为只喂正例，AI 会以为所有对象都该被肯定，见谁夸谁——它模仿的是"夸人"这个动作，不是"评估"。要给合格、不合格、待复核三类样例，让它同时看到什么该过、什么该刷、什么该存疑，判断边界才立得住。给它对照组，它才有判断的坐标系。
3用 few-shot 时，为什么必须声明'只学结构不抄内容'并脱敏？
因为样例里的具体事实（尤其是候选人真实信息）会被 AI 照抄或泄露到新输出里，既污染结果又违反数据安全。所以样例要全部编号脱敏，并明确要求"只模仿输出结构、不复用样例里的任何事实"，让它借格式、不借内容。
小结
- few-shot 是"给示范"，AI 学做的示范比学说的规则精确得多
- 只给正例会把 AI 带成单向讨好，要给正例、反例、边界例三类
- 样例字段和口径必须一致，否则 AI 学到自相矛盾的规矩
- 样例必须脱敏，并声明"只学结构、不抄内容"，防照搬和泄露
实操落点
- 找一份你最满意的通知、JD 或会议纪要，让 AI 模仿格式、语气和结构写一份新的。
深入一层 · 实战演练与研究依据
样品：给三个范例，做面试评价摘要
few-shot 就是在提示词里塞几个「输入—输出」样例，让 AI 从样例里学格式、口吻和判断边界，比你干讲半天有效。
实操：准备 3 条脱敏样例——候选人 A 面试记录对应结构化评价、候选人 B 同理、候选人 C 信息不足对应「需要补充追问」。提示词里写死：「请学习下面样例的格式和判断边界，但不要复制样例内容。」再粘贴新候选人的脱敏记录，要求输出优势、风险、需追问，且不得下录用结论。
关键一步：别只给「好例子」。给 2 个合格、2 个不合格、1 个需人工复核的样例，比只给合格样例稳得多——只给正例，AI 会以为所有候选人都该被肯定。
范例有用，但有明确边界
Prompting Guide 说明 few-shot 通过若干示范提升模型对格式和标签的理解，但复杂推理任务光靠示例不一定够；Anthropic 教程也建议在需要特定风格、格式、分类规则时提供示例，并同时指定输出约束。
这里没有中国 HR 团队公开的招聘/绩效 A/B 数据，本节靠的是通用提示词研究加课堂可复现的实操，别把它讲成「实测提升 X%」。
三个 few-shot 翻车点
样例含真实个人信息：AI 可能复用甚至泄露输入——有开发者社区案例就报告过 few-shot 示例被模型重复或漏进输出里，所以样例必须全部脱敏，用候选人 A/B/C。让 AI 照抄风格却没说禁止照抄内容：明确「只模仿结构，不复用事实」。把 few-shot 用在事实判断上：示例替代不了证据，需要事实依据时仍要求引用材料。另外样例的标签、字段、口径必须一致，否则 AI 学到的是一套混乱规则。
再深一层：把隐性标准变成标签体系
few-shot 的深层价值不是「给例子」，是逼你把 HR 脑子里的隐性标准显性化：什么叫沟通能力好、什么叫岗位匹配不足、什么情况必须人工复核。
学有余力可为招聘、培训、绩效分别建「正例、反例、边界例」的样例库，这套 label design 一旦建起来，团队评价口径就统一了。
- Prompting Guide《Few-shot Prompting》，2025
- Anthropic《Prompt Engineering Interactive Tutorial》，2025
- OpenAI Community/PromptEngineering 社区关于 few-shot 示例泄露的用户反馈，2024