Few-Shot一直被认为是提升模型效果的捷径。给模型几个高质量示例，它就能迅速学会你的风格、结构甚至思考路径。但很多人忽略了一点：示例本身就是隐形指令。如果示例混乱、风格不一致、格式不统一，模型学到的不是“规范”，而是“混乱”。
举例，在生成公众号深度文章时，在Prompt里放了三个示例：
示例一：偏故事型开头，口语化表达；
示例二：数据报告风格，严肃理性；
示例三：偏营销文案，语气夸张。
这种多样化并不能让模型更聪明，模型在生成内容时会时而讲故事，时而堆数据，时而突然煽情，整体风格极不稳定。因为模型无法判断哪个示例才是“主风格”，只能在多种模式之间平均取样。
这种只需要保留两个高度一致的示例：
“问题引入 → 现象分析 → 解决方案 → 总结”结构；；语气统一为理性克制；段落格式一致；标题风格相同；同时明确标注：请参考以下示例的结构和语气生成内容。这样生成的结果才会稳定下来。
Few-Shot真正有效的关键不在“多”，而在“准”。
如果你希望生成一组极简科技风产品海报。示例Prompt分别是：
一个赛博朋克风格的未来城市；
一个日系插画风人物；
一个黑金商务风产品图；
模型会陷入风格混合，输出往往既不纯粹也不统一。但如果你提供三组高度一致的示例：
示例1：白色背景 + 中央产品 + 柔和阴影 + 极简无文字
示例2：灰色渐变背景 + 居中构图 + 冷色调光效
示例3：纯色背景 + 单一主光源 + 金属质感强化
模型会迅速捕捉到“极简、科技、冷色调”的视觉规律。
在通过Crun.ai（crun.ai/zh）调用如 Imagen 4 或 Flux 2 这类图像模型时，这种示例一致性尤其重要。不同模型对风格理解方式不同，但如果你的示例高度统一，就能明显提升输出的稳定性和可控性。由于Crun.ai提供统一接口和低延迟调用环境，调试示例几乎是实时反馈的——很容易对比“混乱示例”和“统一示例”带来的风格差距。
Few-Shot不是往Prompt里“塞例子”，而是构建一个微型“风格训练场”。示例越精准，模型越笃定；示例越混乱，模型越迷茫。从“能生成”到“可控生成”，差的往往不是模型能力，而是示例设计的工程化程度。
