少樣本示範怎麼挑：三個會讓效果變差的常見錯誤

少樣本（few-shot）幾乎是最便宜的效果提升手段，但它也很容易反效果。以下三個錯誤在實務上出現的頻率最高。

錯誤一：範例全是簡單案例

人挑範例時會不自覺挑「乾淨漂亮」的樣本，結果模型學到的是「這個任務很單純」。真正該放的是邊界案例：模糊的、需要回答 unknown 的、格式怪異的。範例的分布應該貼近真實輸入的分布，而不是理想輸入的分布。

錯誤二：標籤分布嚴重偏斜

如果八個範例裡有七個是「正面」，模型會傾向多回答正面。分類任務的範例應該讓各類別數量接近，即使真實資料本身就不平衡。

錯誤三：忽略排列順序

模型對範例順序敏感，尤其是最後一個範例。把同類別的範例連續排在一起，會強化最後那一類的傾向。實務做法是把類別交錯排列。

# 不好：同類連續
labels = ['正面','正面','正面','負面','負面','負面']

# 較好：交錯，且最後一個不固定同一類
labels = ['正面','負面','中性','負面','正面','中性']

要放幾個

• 分類任務：每個類別 2–3 個，總數控制在 12 個以內。
• 格式轉換任務：3–5 個通常就飽和，再加只是浪費 token。
• 推理任務：範例要含推理過程，數量 2–3 個即可，太多反而壓縮可用上下文。