Few-shot prompting 是在 prompt 裡先放 2-5 組「輸入 → 輸出」範例，再丟真正要處理的輸入給模型。模型會從範例裡學到 pattern，照樣套用——不用 fine-tune、不用重新訓練，光靠 prompt 就完成。 它好用的原因是：LLM 很擅長從少量示範抓規律。如果你想要固定的輸出格式、特定的語氣、或一套自訂分類，列幾個例子通常比寫一大段說明更穩定。這也是最便宜的客製化方法——只多付那幾個範例的 token 成本。 舉個例子：抽資料。與其寫「從這則新聞標題抓出公司名稱跟募資金額」，不如先放三則標題加上對應的 JSON 結果，再把第四則貼上去。模型會自動模仿格式。同樣的技巧也能用在翻譯風格、coding style、自訂的情緒分類、各種需要固定輸出的任務上。 延伸閱讀：zero-shot prompting、one-shot、in-context learning、chain-of-thought。