模块3：用示例教会 AI
难度：⭐⭐⭐ 中级 | 建议时长：3-4小时
目标：掌握少样本提示、角色设定和系统提示词，学会给 AI 更丰富的上下文
3.1 少样本提示：先做示范，再让 AI 干活
教新员工的方式
你不会只对新来的实习生说”把报表做好”就不管了。你会拿一份做好的报表说”照这个格式做”。
少样本提示就是这个逻辑：先给 AI 几个例子，让它”学会”你要的模式，再让它处理新任务。
基本格式
这是一个[任务描述]的任务。以下是一些例子：
输入：[示例输入1]
输出：[示例输出1]
输入：[示例输入2]
输出：[示例输出2]
现在请处理：
输入：[实际输入]
输出：
实战案例
案例1：情感分类
判断以下评论的情感倾向。
评论："这个手机拍照效果太棒了，完全超出预期！"
情感：正面
评论："等了两周才发货，包装还破了，太失望了"
情感：负面
评论："手机收到了，外观一般，还没仔细用"
情感：中性
评论："价格贵了点，但续航真的很给力，值了"
情感：
→ AI 根据前面的模式判断为”正面”
案例2：统一输出格式
将产品信息转换为营销文案。
产品：无线蓝牙耳机 | 续航30小时 | 降噪
文案：告别嘈杂，拥抱纯净音质。30小时超长续航，让好音乐陪你一整天。
产品：保温杯 | 316不锈钢 | 24小时保温
文案：清晨的热咖啡，午后依然温暖。316医用级不锈钢，24小时锁住温度。
产品：机械键盘 | 青轴 | RGB背光 | 全键无冲
文案：
→ AI 会模仿前面的风格和长度来写
少样本的黄金法则
1. 数量：2-5 个示例最佳
太少 → AI 可能没学到模式
太多 → 浪费 Token，可能引入噪声
2. 质量 > 数量
3 个高质量示例 优于 10 个粗糙示例
3. 示例要有代表性
覆盖不同情况（正面/负面/中性都要有）
4. 格式要统一
每个示例的输入输出格式必须前后一致
5. 顺序有讲究
把最相关的示例放在最后（靠近实际输入的位置）
什么时候用少样本？
| 场景 | 推荐 | 原因 |
|---|---|---|
| 特殊的输出格式 | 强烈推荐 | 示例比文字描述更清楚 |
| 分类/打标签 | 强烈推荐 | 让 AI 理解你的分类标准 |
| 风格模仿 | 强烈推荐 | 示例是传递风格的最佳方式 |
| 简单问答 | 没必要 | 零样本就够了 |
| 开放式创作 | 看情况 | 可能限制创造力 |
3.2 角色提示：给 AI 一个身份
穿白大褂和穿厨师服的区别
同一个人，穿上白大褂你问他”这个东西能吃吗”，他会从卫生安全角度回答；穿上厨师服你问同样的话，他会从烹饪角度回答。
给 AI 一个角色，就像给它”穿上制服”——它会从那个专业视角来思考和回答。
基本语法
你是一位[角色]，具有[特点/经验]。
你的任务是[要做的事]。
同一问题，不同角色 → 不同回答
问题： “公司要不要采用微服务架构？“
【角色：技术总监】
你是一位有15年经验的技术总监，擅长架构决策。
→ 侧重技术可行性、团队能力、系统复杂度
【角色：CFO】
你是一位上市公司的CFO，关注投资回报率。
→ 侧重成本、ROI、人力投入、财务风险
【角色：一线开发者】
你是一位3年经验的后端开发者，正在维护一个单体应用。
→ 侧重开发体验、学习成本、日常痛点
高效角色设定模板
# 角色设定
你是[角色名称]，[一句话描述背景]。
# 核心能力
- [能力1]
- [能力2]
- [能力3]
# 沟通风格
- [风格特点，如：专业但通俗、严谨、幽默...]
# 工作原则
- [原则1，如：始终以数据为依据]
- [原则2，如：先给结论再展开分析]
三个常见误区
❌ 误区1：角色太虚
"你是一个很厉害的专家" → 什么专家？哪方面厉害？
✅ "你是一位专注 React 生态的前端架构师，有5年大型项目经验"
❌ 误区2：角色和任务不匹配
"你是一位诗人，请分析这段代码的 Bug"
✅ 角色的专业领域要和任务对齐
❌ 误区3：同时扮演多个角色
"你同时是设计师、产品经理和程序员"
✅ 一次一个角色。如需多视角，分多次对话
原理：先定义角色 = 在 prompt 开头收窄问题域
为什么”先说你是什么角色”这个小动作效果这么好？两个原因，第一个表层、第二个底层：
表层原因：角色定义把问题域收窄，二义性下降
没角色："这个东西能吃吗？" ← AI 不知道你想从什么角度评判（卫生？营养？文化？）
有角色："你是营养师。这个东西能吃吗？" ← 问题域被锁定到「营养角度」，回答自然聚焦
收窄问题域 = 减少模型在生成时的”分支选择”，输出更稳定、更专业。
底层原因：模型对 prompt 开头位置最敏感（Lost in the Middle）
模型对 prompt 不同位置的关注度并不均匀——开头和结尾最敏感，中间最容易被”看漏”。这是 Stanford 论文 Lost in the Middle 实验证明的现象。
prompt 结构：[开头] ........ [中间] ........ [结尾]
↑高敏感 ↑低敏感 ↑高敏感
把”角色定义”放在 prompt 最开头，相当于在模型注意力最集中的位置打下”问题域锚点”，整段 prompt 之后的内容都会被这个锚点引导。
💡 延伸：这条规律不只对角色提示有效。任何关键约束（输出格式、禁止事项、领域限定）都该往开头/结尾靠，别埋在中间。
3.3 系统提示词：给 AI 定规矩
公司的《员工手册》
新员工入职第一天会收到一本员工手册——不是每次开会都念，但所有人都得照着做。系统提示词就是 AI 的”员工手册”，定义它在整个对话中的行为基线。
API 中的三种消息类型
如果你通过 API 调用 AI，会遇到三种消息角色：
system（系统消息）→ 公司规章制度（AI 始终遵守的规则）
user（用户消息） → 客户的需求（你每次发的内容）
assistant（助手消息）→ 员工之前的回复记录
类比理解：
system = 入职培训手册："你是XX公司客服，说话要礼貌..."
user = 客户来电："我想退货"
assistant = 你之前的回复记录："好的，请提供订单号..."
日常聊天用户：你在 ChatGPT/Claude 网页上对话时， 第一条消息里的”角色设定”就相当于简易版的 system 消息。
系统提示词的五层结构
┌──────────────────────────────────────┐
│ 系统提示词的层次结构 │
│ │
│ 1. 身份定义 ─── 你是谁 │
│ 2. 能力边界 ─── 你能做什么/不能做什么 │
│ 3. 行为准则 ─── 怎么做 │
│ 4. 输出规范 ─── 输出格式和风格 │
│ 5. 交互规则 ─── 如何与用户互动 │
└──────────────────────────────────────┘
完整示例：编程学习助手”小智”
# 身份
你是"小智"，一位友好的编程学习助手，
专门帮助编程零基础的成年学习者入门 Python。
# 能力
- 精通 Python 基础语法和常用库
- 擅长用生活中的例子解释编程概念
- 能根据学习者的水平调整讲解深度
# 行为准则
1. 始终保持耐心和鼓励的态度
2. 每个概念先用"生活比喻"解释，再给代码示例
3. 代码示例必须附带逐行注释
4. 超出 Python 基础范畴的问题，诚实说明并建议学习路径
5. 不要一次给太多信息，让学习者消化后再继续
# 输出规范
- 每次回复控制在 300 字以内（代码除外）
- 使用中文，技术术语附带英文原文
- 代码使用 markdown 代码块
- 重要概念用**加粗**标注
# 交互规则
- 每次讲解后给一个小练习
- 如果学习者说"不懂"，换一种方式重新解释
- 定期确认："你理解了吗？有什么疑问？"
深入理解三种消息角色
上面用”员工手册/客户来电/回复记录”做了类比，这里展开讲清楚每个角色的真实含义和使用细节。
三种角色一览
| 角色 | 谁在说话 | 类比 | 核心作用 |
|---|---|---|---|
| system | 开发者/设计者 | 公司规章制度 | 定义 AI 的身份、能力边界、行为准则 |
| user | 终端用户 | 客户来电 | 提出具体需求和问题 |
| assistant | AI 自己 | 员工之前的回复 | 记录 AI 的历史回答，维持对话连贯 |
API 调用的真实结构
当你通过代码调用 AI 时，发送的是一个消息列表：
messages = [
{"role": "system", "content": "你是一位资深Python工程师..."},
{"role": "user", "content": "帮我写一个快速排序"},
{"role": "assistant", "content": "好的，这是快速排序的实现..."},
{"role": "user", "content": "能加上注释吗？"}
]AI 看到的不是”一段对话”，而是这个结构化的消息列表。它根据每条消息的 role 标签来理解”谁说了什么”。
每种角色的特点
system（系统消息）
- 优先级最高：当 user 消息和 system 消息冲突时，AI 倾向于遵守 system
- 全局生效：不管对话进行到第几轮，system 的规则始终有效
- 用户不可见：在产品界面中，system 消息通常对终端用户隐藏
- 典型内容：身份设定、输出格式要求、安全限制、行为边界
user（用户消息）
- 每一轮对话的输入：你发的每条消息都是一条 user 消息
- 可以包含任何内容：问题、指令、数据、反馈、追问
- 是 AI 回复的直接触发器
assistant（助手消息）
- AI 的历史回复：每次 AI 回答后，这条回答会被记录为 assistant 消息
- 维持记忆：AI 通过回看 assistant 消息来”记住”自己之前说了什么
- 可以人为构造：开发者可以手动插入一条 assistant 消息，让 AI 以为自己之前说过某句话（这就是 prefill 技巧，下面详讲）
关于”固定”和”灵活”
一个常见疑问：这三种角色是写死的吗？
固定的部分：
- 角色名称只有三种：system、user、assistant（不能自创新角色）
- 每条消息必须标注其中一种角色
灵活的部分：
- 每种角色的内容完全自由，你想写什么都行
- 消息数量不限：可以有多条 system、多条 user
- 顺序基本自由：通常 system 在最前面，但 user 和 assistant 可以交替多轮
- 多轮对话的"记忆"本质上就是把历史消息全部重新发送一遍
换句话说：AI 没有真正的”记忆”。每次你发新消息时，客户端会把之前所有的 system + user + assistant 消息打包重新发给 AI。AI 每次都是”从头读完整段对话”再回复。
Prefill 技巧：替 AI 开个头
什么是 Prefill
Prefill（预填充）是指在发送请求时，人为构造一条未完成的 assistant 消息，让 AI 从你指定的开头继续写下去。
messages = [
{"role": "system", "content": "你是翻译助手"},
{"role": "user", "content": "翻译：今天天气真好"},
{"role": "assistant", "content": "The weather"} # ← 预填充：替AI开了个头
]AI 收到后会认为自己已经写了 “The weather”，然后接着往下写，比如补全为 “The weather is really nice today.”
为什么有效
AI 的工作方式是”续写”——给它前文，它生成后文。Prefill 利用了这个机制：你把 assistant 的开头写好，AI 就会顺着你的开头继续，而不是自己重新组织开头。
四种典型用法
用法1：强制输出格式
# 不用 prefill → AI 可能先寒暄再给 JSON
{"role": "user", "content": "列出三种水果及其颜色，用JSON格式"}
# 用 prefill → AI 直接输出 JSON，不废话
{"role": "user", "content": "列出三种水果及其颜色，用JSON格式"},
{"role": "assistant", "content": "```json\n{"}用法2：控制回复语言
# 用户用中文提问，但你想让 AI 用英文回答
{"role": "user", "content": "解释什么是递归"},
{"role": "assistant", "content": "Recursion is"}AI 看到自己”已经开始用英文回答了”，就会继续用英文。
用法3：跳过客套话
# 不用 prefill → "好的！我来帮你分析这个问题。首先..."
# 用 prefill → 直接进入正题
{"role": "user", "content": "分析这段代码的性能瓶颈"},
{"role": "assistant", "content": "性能瓶颈分析：\n1."}用法4：引导推理方向
{"role": "user", "content": "这个 Bug 的原因是什么？[代码片段]"},
{"role": "assistant", "content": "让我从内存管理的角度分析："}AI 会顺着”内存管理”这个方向深入分析，而不是泛泛而谈。
使用注意
1. 不是所有 API 都支持：OpenAI 和 Anthropic 的 API 支持 prefill，
但网页聊天界面通常不支持（因为你只能发 user 消息）
2. 开头要自然：prefill 的内容要像 AI 真的会这么开头，
否则 AI 可能会"纠正"你的开头
3. 不要太长：prefill 只需要几个词到一句话，
写太多反而限制了 AI 的发挥空间
4. 配合 system 使用效果更好：
system 定义"怎么做"，prefill 定义"从哪开始"
日常聊天中的”穷人版 Prefill”
如果你用的是网页聊天界面（没有 API），可以用这种方式模拟 prefill 效果：
请直接以"## 分析结论"开头回答，不要任何开场白。
或者：
请用以下格式开头你的回答：
"根据代码分析，问题出在..."
虽然不如真正的 prefill 精确，但能达到类似的”跳过废话、直奔主题”的效果。
3.4 上下文控制：让 AI 站在对的位置看问题
同一个问题，不同上下文 = 不同答案
问题："苹果怎么样？"
上下文A（水果店）→ "这批苹果很新鲜，甜度高..."
上下文B（科技圈）→ "苹果公司最近发布了..."
上下文C（健身饮食）→ "苹果富含膳食纤维，适合减脂期..."
四种设置上下文的方法
方法1：开头声明背景
"我是一名刚入职3个月的产品经理，
正在准备第一次独立负责的项目立项报告。请帮我..."
方法2：定义受众
"用一个8岁小朋友能理解的方式解释..."
"假设读者是有3年经验的 Java 开发者..."
方法3：限定范围
"仅从中国市场的角度分析..."
"只考虑 2024 年以后的数据..."
方法4：提供参考材料
"基于以下信息回答问题：
[粘贴相关文档/数据]
问题：..."
上下文太长怎么办？
内容超出窗口限制时的三种策略：
1. 分批喂：把长文档分成几段，每段单独处理
"这是第1部分（共3部分），请先阅读，我发完再请你分析"
2. 先摘要再处理：让 AI 先总结长文档，再基于摘要回答
"请先将这篇文章总结为500字，然后基于总结回答我的问题"
3. 只给相关部分：不要塞整篇文档，只粘贴与问题相关的段落
3.5 动手练习
练习1：零样本 vs 少样本对比
用零样本和少样本两种方式让 AI 把以下公司名翻译为中文，对比输出差异：
- Google、Microsoft、Amazon、Netflix
练习2：设计一个角色提示
为以下场景设计完整的角色提示（包含身份、能力、风格、原则）：
- 场景：你需要一个”英语口语教练”帮你练习日常对话
练习3：写一个系统提示词
设计一个”个人理财顾问”的完整系统提示词，参照 3.3 节的五层结构。
本章小结
✅ 少样本提示：先给例子再让 AI 干活，格式/分类/风格模仿必备
✅ 角色提示：给 AI 穿上"专业制服"，获得专业视角的回答
✅ 系统提示词：AI 的"员工手册"，定义行为基线
✅ 三种 API 消息：system（规矩）、user（需求）、assistant（记录）
✅ Prefill 技巧：替 AI 开个头，控制输出格式/语言/方向
✅ 上下文控制：背景、受众、范围、参考材料
✅ 长内容处理：分批喂、先摘要、只给相关部分
下一步 → 04_让AI深度思考.md