少样本提示：给模型看 3–5 个示例，得到你的格式

你的工单机器人应该只用一个词回答：billing、bug 或 other。大多数回复正是如此。然后来了一条“Label: billing — the customer seems upset about a refund”，读取标签的代码就卡住了。

通常的解决办法不是写更长的指令，而是给几个示例：把 3–5 个已完成的工单连同标签放进提示词，模型就会照搬这个模式。这就是少样本提示。Anthropic 的提示词指南（“Use examples effectively”一节，2026 年 11 月 3 日查阅）称示例是引导格式、语气和结构最可靠的方法之一，并建议使用 3–5 个。问题在于：每个示例都是你每次请求都要重复付费的输入。下面的成本部分按一个每天处理 2,000 张工单的机器人来算。

“少样本”是什么意思#

想象一位新同事第一天到客服台上班。你说“把每张工单标成 billing、bug 或 other”，然后就走开了。有些标签会符合你的想法，有些不会。现在留下三张已经标好的工单，说“就像这些”。同一个人，意外会少得多。

模型的行为也一样。只有指令叫零样本。指令加几个示范示例叫少样本（Anthropic 的页面也写作 multishot）。一个“shot”就是一个示例。

Label the support ticket as billing, bug or other.

Label the support ticket with one word: billing, bug or other.

Ticket: I was charged twice for one top-up.
Label: billing

Ticket: The export button does nothing.
Label: bug

Ticket: Do you have a dark theme?
Label: other

第二个提示词从未解释 billing 是什么意思。示例通过展示做到了这一点，并把格式和含义一起带了过来。不过保留一行明确的指令仍然没有坏处，所以下面的版本保留了它。

有效示例的三条规则#

Anthropic 的页面把好的示例归结为三个词：

• 相关：接近你真正收到的工单，而不是别的任务。
• 多样：覆盖边缘情况，彼此不同，这样模型不会抓住偶然的模式。
• 结构化：用标签包起来（<example>，以及 <examples> 内的多个），这样模型能区分示例和指令。同一页面还说标签名要保持一致。

下面是一个按这种方式构建的完整提示词。把它保存为 prompt.txt：

<instructions>
Label the support ticket with exactly one word: billing, bug or other.
Reply with the label only.
</instructions>

<examples>
<example>
<ticket>I was charged twice for the same top-up.</ticket>
<label>billing</label>
</example>
<example>
<ticket>The export button does nothing when I click it.</ticket>
<label>bug</label>
</example>
<example>
<ticket>Do you have a dark theme?</ticket>
<label>other</label>
</example>
<example>
<ticket>Please refund me. Also, the page crashes on login.</ticket>
<label>billing</label>
</example>
<example>
<ticket>Is there an API for exporting reports?</ticket>
<label>other</label>
</example>
</examples>

看第四个示例：一个退款请求，同时也提到了崩溃。指令无法解决混合工单，示例可以。这里钱优先，所以标签是 billing。无论你选什么规则，都要展示一次。

通过 API 发送#

提示词在每次请求中都是同样的文本，只有新工单会变。每张工单都走同样的短流程：

下面是使用 openai 包的 Python 版本。地址是 CheapTokens API，密钥放在环境变量中（见如何安全存储密钥），模型 id 是文档中的完整 id：

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

PROMPT = open("prompt.txt", encoding="utf-8").read()


def label(ticket: str) -> str:
    response = client.chat.completions.create(
        model="deepseek-ai/DeepSeek-V4-Flash-0731",
        max_tokens=64,
        messages=[
            {"role": "system", "content": PROMPT},
            {"role": "user", "content": f"<ticket>{ticket}</ticket>"},
        ],
    )
    print(response.usage.prompt_tokens, response.usage.completion_tokens)
    return response.choices[0].message.content.strip()


print(label("The app shows a blank screen after the update."))

成功时你会在一行看到两个 token 计数，然后是标签本身，一个词，比如 bug。如果你得到的是一句话，说明示例还没发挥作用：检查标签，并确认你方案中的每个标签至少出现一次。

第一个数字是要关注的。它是整个提示词，指令加示例加工单，每加一个示例它都会增长。用完整的 prompt.txt 运行一次脚本，再只用 <instructions> 部分运行一次：两个第一个数字之间的差距就是你的示例每次请求的成本。

DeepSeek-V4-Flash 适合这类批量标注：任何时段一个价格，380K token 上下文（所以长示例块很容易放下），每次回答最多 32,768 token。GLM-5.3-Flash 有 390K 上下文，也适合短标注任务。两者都在模型页面上，共用一个余额。

五个示例给账单增加多少#

假设机器人每天处理 2,000 张工单。假设一张工单约 120 token，指令约 80，那么不带示例的请求是 80 + 120 = 200 个输入 token。五个示例每个约 60 token，增加 5 × 60 = 300，所以带示例的请求是 200 + 300 = 500。回答是一个词，两种情况下都算 3 个输出 token。这些是假设：换成你脚本打印的 prompt_tokens。

一天下来，200 × 2,000 = 400,000 个输入 token 变成 500 × 2,000 = 1,000,000，而输出保持在 3 × 2,000 = 6,000 token。在 DeepSeek-V4-Flash 上，这是不带示例每天 $0.0066，带示例每天 $0.0156。示例的成本就是这两个数字之间的差距，而按 Anthropic 的说法，它们换来的是更一致的输出。

这张图隐藏了一个有用的细节。示例块在每次请求中都完全相同，这正是提示词缓存所关注的重复开头；什么是提示词缓存解释了其工作原理。

下面是同样的负载，每次请求 500 个输入和 3 个输出 token，2,000 次请求，跨模型对比。表格根据当前价格重新计算：

把输入和输出加在一起，在这个负载下 DeepSeek-V4-Flash 和 GLM-5.3-Flash 比 OpenRouter 更便宜。完整价格表在定价页面上。

JSON、语气和检查你的示例#

同样的技巧也适用于你会遇到的另外两种情况。需要每次都有相同的 JSON 字段？让示例回答本身就是 JSON：

<example>
<ticket>I was charged twice for the same top-up.</ticket>
<output>{"label": "billing", "urgent": true}</output>
</example>

关于 response_format 以及回复仍然无效时该怎么办，见从 LLM API 获取有效 JSON。想用一种语气重写文本？像“友好但简短”这样的形容词很模糊；两对前后对比能更好地展示。

在信任任何一组示例之前，拿 20 张你已经手工标注过的工单，运行它们并比较。一次运行比任何规则都更能说明问题。Anthropic 的页面还提供了一个捷径：让模型评估你的示例的相关性和多样性，或者根据你已有的示例写出更多。

一旦示例生效，下一个问题是如何防止多个文档在一个提示词中混在一起。在提示词中标注每个文档涵盖了这一点。