你塞了 8 个示例”覆盖每种情况”。现在输出挑一个最像你输入的示例去抄，哪怕任务本该重新推理。更糟的是：输出像 8 个示例的拼贴，把本不该同框的措辞揉到一起。示例多了感觉应该更准。可过了某个点就反过来了：示例挤掉指令、风格各自漂走、夹带的边界情况误导常见情况，还占掉本该留给任务的 token。
最快修复： 数一下示例个数；有 5 个或更多就砍到最典型的 1-3 个，让它们风格一致，再把任务指令（Now do this for the input below:）紧贴在示例后面。如果你用的是推理模型（GPT-5.5 Thinking/Pro、开启 extended thinking 的 Claude、Gemini 3.1 Pro），先把示例全删了试一遍——见下面的推理模型说明。
本文讲为什么”示例多”不等于”输出好”、怎么挑出真正能钉住结果的 1-3 个示例，以及 2026 年的推理模型在哪一种情况下把这条规则整个反过来。
推理模型例外（先看这条）
这是少给示例成为标准建议之后才出现的变化。在会”先想再答”的现代推理模型上，few-shot 示例往往不是帮忙而是帮倒忙。
- DeepSeek 自家的 R1 发布论文写道，few-shot 提示会”持续拉低”R1 的表现，建议直接用**零示例（zero-shot）**描述问题和输出格式（DeepSeek-R1 论文）。
- 针对 OpenAI o1-preview 的研究得出同样结论：往推理模型上堆 few-shot 上下文会拉低结果，和非推理模型完全相反（Microsoft，《From Medprompt to o1》）。
机制是这样：推理模型看到示例后，倾向于照抄示例的表面套路，而不是用它自己的思维链从头解你这道题。示例把你正花钱买的那段推理给抄了近路。
2026 年 6 月的实用规则：
| 模型类型 | 要不要示例 | 2026 年对应模型 |
|---|---|---|
| 推理 / “thinking” 模式 | 先试零示例；只为输出格式留 1 个示例 | GPT-5.5 Thinking 与 Pro、开 extended thinking 的 Claude Opus 4.7 / Sonnet 4.6、Gemini 3.1 Pro thinking、DeepSeek R1 |
| 快速 / 非推理模式 | 1-3 个示例通常有用 | GPT-5.5 Instant、未开 extended thinking 的 Claude、传统对话补全 |
如果你在推理模型上，本文剩下的部分对你保留的那个锚定格式示例仍然适用——但先把示例删了、把任务讲清楚。常常这一步就把漂移修好了。
常见原因（非推理模型）
1. 为”覆盖所有”硬堆
你为边界 A 加一个、为边界 B 加一个、“以防万一”再加 C 到 H。这套集合的风格跨度已经比你真实输入还宽。
如何判断： 5 个或更多示例，每个对应一种边界。
2. 示例风格 / 结构漂
示例 1 简洁、示例 4 啰嗦、示例 7 用 bullet。模型把它们一平均，输出就不一致了。关于 many-shot 的研究发现，又长又混的示例块会推高输出格式错误率，因为多出来的长度把模型从该有的答案形态上带偏（Many-Shot In-Context Learning，Agarwal 等）。
如何判断： 示例之间在长度、语域、结构上不一致。
3. 示例含误导性边界
你加了个边界示例。模型就把那个边界当成常态，把边界处理套到日常输入上。
如何判断： 边界处理得好、常见情况却处理错。
4. 示例 token 超过任务
2000 token 的 prompt 里有 1600 token 是示例，任务只占 20%。模型锚定到占主导的内容——示例——把任务当成脚注。
如何判断： 示例 token 数 > 任务 + 约束 + 输出规范之和。
5. 示例后没有明确指令
最后一个示例后没有”现在为以下输入做 X”。模型以为你想要第 9 个示例，于是又产出一个示例，而不是答案。
如何判断： prompt 结尾是示例，不是任务动词。
你属于哪一种
| 症状 | 最可能的原因 | 跳到 |
|---|---|---|
| 输出几乎逐字照抄某个示例 | 示例太多 / 太像，或推理模型在照抄 | Step 1 / 推理说明 |
| 输出把几个示例的措辞混在一起 | 示例风格漂（原因 2） | Step 1 + Step 2 |
| 常见输入被当成罕见边界处理 | 误导性边界示例（原因 3） | Step 5 |
| 模型返回又一个示例，不是答案 | 示例后没有任务指令（原因 5） | Step 3 + Step 4 |
| 长 prompt 上输出格式老是崩 | 示例块太大（原因 4） | Step 6 |
动手前先确认
- 数示例个数。超过 4 个，大概率已经过了甜点位。
- 区分哪些是典型、哪些是边界。
- 决定哪 1-3 个真正有代表性。
- 确认示例风格、结构一致。
- 计划把任务指令放在示例正后面。
- 看看你是不是在推理模型上——是的话，计划顺手测一遍零示例。
需要收集的信息
- 含全部示例的当前 prompt。
- 漂向某个示例或拼贴多个示例的输出。
- 你的典型输入 vs 边界输入。
- 示例 token 数 vs 任务 token 数（大多数 playground 会实时显示 token 计数）。
- 模型名称和模式（Instant 还是 Thinking、extended thinking 开没开）以及任何 system prompt。
最短修复路径
Step 1：砍到 1-3 个代表性示例
挑能做到这些的示例：
- 覆盖典型情况（不是边界）
- 风格、结构一致
- 清晰展示输出形态
每个保留的示例，用一句话说清为什么留。说不出来就砍掉。
Step 2：按代表性排序
最典型的放第 1 个。第 1 个锚定最强；最后 1 个吃近期偏好。
Example 1（最典型）：……
Example 2（典型范围内的变体）：……
Example 3（典型的边界）：……Step 3：示例显式标号
EXAMPLE 1:
Input: <input 1>
Output: <output 1>
EXAMPLE 2:
Input: <input 2>
Output: <output 2>
NOW DO THIS FOR THE INPUT BELOW:
Input: <real input>
Output:显式的 NOW DO THIS 标签能挡住模型继续往下接示例序列。
Step 4：任务指令紧贴示例之后
任务动词应该是模型开始生成前读到的最后一样东西。近期偏好为你所用。
Step 5：边界单独处理
如果你确实需要边界覆盖，别把它塞进主 few-shot，改用路由：
主 prompt：处理典型情况（带 1-3 个典型示例）。
输入匹配 <边界条件> 时，路由到一个独立子 prompt，
里面放边界示例 + 边界规则。边界处理留在主路径之外。
Step 6：审示例预算
示例如果超过约 1000 token 就剪。每个示例只保留能展示模式的最小内容，别用完整的真实样本。这里剪一剪，也顺带降低长示例块带来的格式错误率。
怎么确认已经修好
- 示例个数在 1-3 之间（或在去掉示例后反而更好的推理模型上是零个）。
- 所有示例在风格、结构、语气上一致。
- 最典型的排在第 1 位。
- 真实输入前紧贴着一行
NOW DO THIS或等价标签。 - 输出把典型情况处理得好，边界走单独路径。
- 同一个 prompt 跑 3 次结果一致（同温度重跑；如果在验证格式，把 temperature 设成 0，把示例效应和采样噪声分开）。
如果还是没修好
- 你的典型情况可能没定清楚。写 1 个理想示例，只用它。
- 示例可能还在漂。逐行审长度、语域、结构上的一致性。
- 任务可能根本不需要示例。干脆全删——尤其是在推理模型上。
- 输入很多样时，切到检索（RAG），按每条输入动态拉出最相关的几个示例，别用固定的 many-shot 块。
常见问题
多少个示例算”太多”？ 非推理模型上，1-3 个是有效甜点位，收益通常在 2-3 个就趋平。加到 5 个以上往往先趋平再下滑，因为噪声和格式错误在累积。有些分类任务确实能从真正的 many-shot（几十个示例）受益，但开放式生成几乎不会。
GPT-5.5 Thinking 或开了 extended thinking 的 Claude 上，到底要不要用示例？ 先不用。推理模型常常零示例反而更好；针对 R1 和 o1 的厂商研究都显示 few-shot 会拉低它们。最多留一个示例，而且只用来钉输出格式，不要拿来教推理。
我的输出老是一字不差地照抄某个示例，为什么？ 要么是几个示例之间太像（模型过拟合到那一个套路），要么是推理模型在照抄示例而不是推理。把示例做得更有差异或干脆精简；在推理模型上就试着删掉它们。
示例多有没有更好的时候？ 有。在非推理模型上做范围窄、定义清楚的分类时，准确率能一路升到几十个示例才饱和。但写作、抽取、问答这类任务，超过一小撮示例后上下文稀释通常占上风，所以默认 1-3 个。
模型返回的是又一个示例，不是答案，我哪里做错了？
prompt 结尾停在示例上，没有任务指令。在真实输入前面加一行明确的 NOW DO THIS FOR THE INPUT BELOW:（Step 3）。
预防建议
- 非推理模型上多数任务默认 1-3 个示例；推理模型上默认零示例。
- 每季度审一次示例库，剔除漂离标准的示例。
- 示例预算控制在总 token 约 30% 以内。
- 任务指令永远紧贴示例之后，绝不放在前面。
- 输入多样时优先动态示例选择（检索），不要静态 many-shot。
- 个数拿不准时做 A/B 测：1、3、5 个，选达标的最少数。