上一篇我讲了跟AI说话的四个维度：告诉它你是谁、你要什么、给谁用、好的标准是什么。
信息补齐了，大部分任务确实好使。
但有一次我栽在一封客户跟进消息上。四个维度我全填了，角色、对象、目的、语气要求，一项没落。
AI给我的第一版，太正式了，像银行客服群发的短信。我说"再随意一点"，第二版变成了朋友圈评论的语气。我又说"专业但不冰冷"，第三版介于两者之间，哪头都没靠上。
改了三轮，每一轮都"差点意思"，但我说不清到底差在哪。
这种感觉很像你去理发，跟Tony老师说"自然一点"。他觉得自然是这样，你觉得自然是那样，最后你顶着一个你俩都觉得"差不多"但谁都不满意的头出了门。
后来我想明白了。
问题不在表达能力，在方法。
"简洁、直接、有温度"这七个字，十个人有十种理解。你和AI对着同一个词，脑子里想的是完全不同的东西。
语言在描述风格这件事上，天然就不够用。
但有一种方式够用。
你想想，你带一个新来的设计师，要他出一张海报。你是花半小时写五百字设计规范告诉他"简洁、有品质感、色彩克制"，还是直接甩给他三张你觉得好的图，说"照这个感觉来"？
他一看就懂了。比你写五百字管用。
跟AI也是一样。与其描述你要什么风格，不如直接给它看一个你满意的样子。
方法一点都不复杂，往下看就知道了。
根据你给不给示例、给几个，跟AI说话分三种方式。
不难，三分钟就能搞清楚。
第一种：Zero-Shot，不给示例，直接说。
"帮我翻译这段话成英文。""总结这篇文章的三个要点。""列出上海适合团建的地方。"
任务明确、不涉及风格、有标准答案的事情，直接说就行。
第二种：One-Shot，给一个示例。
有基本的风格要求，但任务不复杂。一个例子就够AI理解方向。
比如你要给不同客户写跟进消息，先给AI看一个你写过的：
客户情况：上周见面聊了产品，对方感兴趣但说要内部讨论 跟进消息：王总好，上周聊的方案我补充了一些行业数据，发您参考。您那边讨论完方便的话，约个15分钟电话？
然后告诉它下一个客户的情况，让它照着这个感觉来。
大多数时候，一个例子就能把方向定住。
第三种：Few-Shot，给2到5个示例。
需要精确复现你的风格，或者要批量生成同类内容，一个例子不够用，得多给几个。
3个是起步线，5个效果更稳定，超过5个一般收益递减。
怎么选？也简单。
任务明确不涉及风格，Zero-Shot。有风格要求但任务简单，One-Shot。要精确复现或批量生成，Few-Shot。
有一种情况例外：纯创意发散，比如头脑风暴、起名字、想slogan，用Zero-Shot。你给了示例，AI反而会被框住，放不开。
Few-Shot的结构长什么样？
其实很直白：
任务说明（简要即可）
【示例1】 输入：情境描述 输出：你满意的输出
【示例2】 输入：情境描述 输出：你满意的输出
【示例3】 输入：情境描述 输出：你满意的输出
【现在请处理】 输入：你真正要处理的情境 输出：
前面放几组"输入→输出"的示例对，最后放上你真正要处理的内容，让AI照着前面的模式来。
说起来简单，看几个实际场景就更清楚了。
场景一：批量写客户跟进消息。
你先给AI看三封你之前写得好的跟进消息。每封对应不同的客户状态：感兴趣但要内部讨论的、发了报价没回复的、demo完说要拉技术负责人看但没下文的。
AI从这三封信里提取出你的跟进风格：简短、有具体的理由或附件、有明确的下一步动作、不显得太急。
然后你给第四个客户的情况，它就能按你的风格写出来。
一个人一下午能写多少封跟进消息？用这个方法，AI十分钟帮你处理几十封，风格还一致。
你省下来的时间，够多见两个客户了。
场景二：产品评价分类。
用户反馈来了一大堆，需要分成"功能需求""体验问题""正面评价"三类。
你给AI看四条标注好的反馈：
"能不能加一个批量导出的功能？"——功能需求。 "加载速度也太慢了，每次要等五六秒"——体验问题。 "用了你们的工具之后，写脚本的时间从2小时缩短到20分钟"——正面评价。 "界面太复杂了，很多按钮不知道干嘛的"——体验问题。
注意一个细节：这四条里，"体验问题"出现了两次，位置不连续。
这是故意的。
分类任务里，要把不同类别的示例打乱顺序。如果你按"正面、正面、负面、负面"这样整齐地排，AI可能只是记住了排列规律，而不是真正学会了你的分类标准。
AI这东西很聪明，但聪明的方向有时候不对，你得防着它抄近路。
场景三：从客户消息里提取关键信息。
客户发来一段话："我们是做连锁奶茶的，现在有30家店，主要在杭州和宁波，想用AI帮我们做会员营销的内容。"
你需要从里面提取行业、规模、区域、需求、紧迫度。
给AI看两三条你标注过的示例，它就知道你要的格式和提取逻辑。之后几百条客户消息扔给它，输出格式完全一致。
你做的只是两三条标注的活，剩下的批量处理全交出去。
方法到这里就讲完了。
不过有个事得提醒你。
不少人学了Few-Shot，用了，效果还是不行。问题十有八九出在示例本身。
Few-Shot的效果好不好，80%取决于你选的示例好不好。
AI不挑食，你给它什么它都照单全收，好的坏的一起学。你混进去一个写得马虎的例子，它学到的模式就是歪的。
选示例有四条原则。 不复杂，但每条都是踩过坑的。
第一条：质量比数量重要。
三个高质量的例子，胜过十个凑合的。你放进去的每一个示例，都得是你反复看了觉得"确实好"的输出，不是"大概差不多"的。
"大概差不多"和"确实好"之间差的那一点，会被AI放大到每一条输出里。
第二条：示例要覆盖不同情况。
你的任务如果有多种变体，比如不同行业、不同情绪、不同紧迫程度，示例里得有所体现。
三个示例全是"客户感兴趣但暂时没时间"的场景，AI碰到"客户完全没回复"的情况就傻了。
它没见过这种局面，只好硬套之前学到的模式，写出来的东西驴唇不对马嘴。
越是不常见但必须处理的情况，越值得放进示例里。
第三条：分类任务打乱顺序。
前面讲过了。正面、正面、负面、负面这种排列，AI学到的是排列规律，不是判断标准。打乱它。
第四条：先从一个示例开始试。
不确定需要几个示例？先给一个看看。八成到位了就不用加。偏差明显再补到3到5个。
别一上来就堆5个。很多任务其实一个就够了，多给反而浪费你标注的时间。
花30分钟精选几个好例子，后面省的是几十个小时的重复劳动。
这笔账怎么算都划算。
到这一步，Few-Shot你已经会了。
接下来你会遇到一个很自然的问题：每次用的时候都要重新写一遍提示词，烦不烦？
有个办法。把会变化的内容用占位符标出来，提示词就变成一套模板，反复用。
比如你经常需要给不同行业的客户写产品介绍。提示词的结构每次都一样，变的只是行业、卖点、痛点这些信息。
你把变化的部分用花括号标出来：
帮我为{客户行业}的客户写一段产品介绍，重点突出我们的{核心卖点}。客户的主要痛点是{客户痛点}。语气要{语气要求}，字数控制在{字数}以内。
下次换一个行业，只改花括号里的值，模板不用动。
更省事的做法是把Few-Shot和变量结合起来。示例部分固定不变，定义你的风格；最后的实际输入每次替换。
你的团队成员只需要填写实际的客户情况，就能得到风格一致的输出。
他不需要懂什么是Few-Shot，不需要会写提示词，填几个空就行了。
这一步做完，你的经验和判断力就不再只装在你自己脑子里了。它被装进了模板，谁来用都是差不多的水平。
从"只有老板会用AI"到"团队里谁都能用"，差的就是这一步。
回过头来看，这篇讲的 其实就一件事：AI是模式识别系统。你给它看什么样的例子，它就输出什么样的结果。
你手上一定有一些写得不错的东西。几封客户消息、几条朋友圈文案、几份你满意的方案、几段发过的短视频脚本。
把它们找出来，存好。
这就是你的示例库，是你跟AI打交道最值钱的资产。（感兴趣的话，去搜一下taste，越来越重要）
你最值钱的不是某一篇写得好，而是你能让AI按你的标准，一篇接一篇地输出。
下一篇，我们聊一个更大的话题：AI不只能帮你写东西，还能帮你想问题。
