這件事會被需要，是因為有一大類要求，用文字精確描述的成本，遠高於直接給一個範例。「語氣要專業但不要太生硬」這句話，十個人可能有十種不同的理解，但如果附上一封你認為語氣剛好的舊信件當範例，Claude 能直接抓到那個分寸，不需要你去定義「不生硬」的邊界在哪裡。同樣的道理適用於格式細節：一份報告摘要該精簡到什麼程度、條列式要不要用完整句子，這些規則寫成文字往往又長又模糊，但給一個範例，一眼就能看懂。少樣本提示存在的理由，就是承認很多「品質標準」本質上是隱性的、難以窮舉成規則的，範例是把這種隱性標準外顯化最有效率的方式。
實務上有三個決定品質的關鍵。第一，範例數量：通常兩到五個就夠，太少（只有一個）容易讓 Claude 誤把範例裡的偶然特徵當成規則，太多則會拉長提示、增加成本，超過五個之後邊際效益通常不明顯。第二，範例的代表性：範例要涵蓋你實際會遇到的情境差異，不能只給「順利、標準」的案例——如果實際任務裡有 20% 是邊界情況（例如資料缺漏、格式不一致），範例裡也應該包含至少一個這樣的案例，不然 Claude 只學到「順利情況該怎麼處理」，遇到邊界情況時反而沒有依據。第三，範例的排列順序：這是一個容易被忽略但確實有影響的細節，把差異最大的範例放在最後，容易被模型當成「最新指示優先於前面範例」而過度模仿最後一個範例的特徵，這個子問題有更完整的討論，可以進一步參考 example ordering（範例排序）這個概念。
對你來說，少樣本提示真正的價值在於：有些標準你自己心裡很清楚、但講不出精確定義的時候，與其花力氣硬寫成文字規則，不如直接找一個範例。這在職場情境裡特別實用，因為很多品質標準本來就是隱性的、靠經驗累積的，例如「這封信的語氣符合我們對外的標準」，你可能一看就知道對不對，但要你寫成一條規則反而很難。真正該權衡的是範例的取得成本：如果手上剛好有現成的好範例，少樣本幾乎沒有額外成本；如果沒有現成範例、要臨時生一個當範例，這個生範例的過程本身也可能出錯，反而不如直接寫清楚的零樣本指令來得可靠。要留意的風險是：範例數量太少或代表性不足時，Claude 容易「學過頭」，把範例裡不重要的細節（例如剛好用了某個詞、剛好某個段落比較長）誤判成規則，照樣模仿，這時候問題往往不是提示寫得不好，是範例本身沒有涵蓋到真正該學的東西。
OpenAI 研究團隊在 2020 年發表的論文《Language Models are Few-Shot Learners》（介紹 GPT-3 的論文）中系統性展示了少樣本提示的效果：只需在提示裡放入少數幾個範例，模型在翻譯、問答等任務上的表現就能大幅提升，某些任務甚至接近經過大量資料微調訓練的模型；這篇論文也是「few-shot learning」這個概念在大型語言模型領域被廣泛採用的起點。
優點是能把難以用文字精確描述的隱性標準（語氣分寸、格式細節）直接示範給 Claude，特別適合品質標準本身難以窮舉成規則的任務；缺點是範例本身有取得成本，如果沒有現成貼切的範例、要臨時編造，反而可能引入新的錯誤，而且範例數量或代表性不足時容易讓 Claude 學到不重要的偶然特徵，把它當成規則照樣模仿。