少样本提示是释放DeepSeek教学与业务能力的关键方法。本文从示例构造、任务拆解、上下文组织到评估迭代，给出可落地的操作框架。
在实际使用中，很多用户把DeepSeek当作一次性问答工具，给出简短指令后就期待稳定输出，结果往往在格式、语气和推理深度上出现波动。少样本提示的价值在于把隐性的任务标准转化为模型可观察的示例，使输出从碰运气转向可复现。对AI指导老师而言，示例不仅是输入和输出的配对，更是评分尺度、追问策略和纠错边界的示范。围绕示例质量、任务拆解、上下文组织和评估迭代四个层面展开，能够形成一套更接近真实教学流程的使用方法。
1. 示例质量决定提示上限：从给例子到给标准
少样本提示并不是简单堆几个例子，而是通过示例向DeepSeek传递任务边界、输出格式和判断标准。模型在上下文中进行模式匹配，示例里反复出现哪些特征，输出就会强化哪些特征。如果示例只展示最终答案，模型容易学会直接给结论；如果示例展示评分依据、修改理由和语气控制，模型才会模仿教学过程。示例数量通常控制在两到五个，复杂任务可以增加正例和反例，但每个示例都必须干净、一致，不能出现同一类输入对应互相矛盾的输出。
以作文批改任务为例，低质量示例往往只写“原文片段—评语—分数”，模型可能生成空泛表扬。更有效的示例应包含原文片段、评分维度、具体修改建议和教师口吻，例如指出论据与论点之间的断裂，并示范如何用追问引导学生补充材料。这样的示例把“什么叫好批改”拆成了可观察的动作，DeepSeek在后续任务中更容易保持同样的分析深度。若示例中一条评语严肃、一条评语调侃，模型就会在语气上漂移，所以标签一致性和风格一致性比示例数量更重要。
示例构造还需要覆盖边界情况。教学场景中常见学生答案部分正确、格式混乱或存在情绪表达，示例库中应加入这类案例，让模型知道何时先纠错、何时先肯定、何时需要转交人工。示例顺序也会影响效果，通常把最贴近当前任务的示例放在靠近输入的位置，把通用规则示例放在前面。每个示例最好使用统一的分隔标记和字段顺序，避免模型把示例中的无关信息当成任务要求。只有把示例从“参考答案”升级为“标准示范”，少样本提示才能真正提高稳定性。
2. 任务拆解与示例编排：让模型按教学流程工作
AI指导老师面对的任务通常不是单步问答，而是诊断、追问、讲解、练习和反馈的组合。直接要求DeepSeek“辅导学生”往往过于宽泛，模型会自行选择流程，导致有时直接给答案，有时只给鼓励。更稳妥的做法是把任务拆成阶段，每个阶段配置少量示例。例如学情诊断阶段输入学生作答、知识点标签和历史错题，输出错因归类、追问问题和下一步练习建议；讲解阶段再输入诊断结果，输出分层提示。这样示例展示的是流程中的关键动作，而不是一个笼统的最终结果。
以编程辅导为例，示例可以展示教师如何先定位错误类型，再给出不暴露完整答案的提示。第一个示例针对语法错误，示范指出行号和可能原因；第二个示例针对逻辑错误，示范用输入输出对比引导学生自查；第三个示例针对学生反复出错的情况，示范降低难度并给出最小可运行片段。DeepSeek通过这些示例学会控制提示强度，而不是一上来就贴出完整代码。教学场景特别需要这种边界示范，因为直接给答案会削弱学习效果，示例中必须明确“只给下一步提示”的行为模式。
示例编排还要与参数设置配合。少样本提示增加了上下文长度，提示结构越清晰，模型越容易区分示例区和当前输入区。温度参数可设置在较低区间，减少格式和语气漂移；对于需要生成多种追问思路的任务，可以适度提高温度，但示例仍要保持统一。任务拆解后的每个阶段最好只保留一个核心目标，避免在同一段提示中同时要求诊断、讲解和出题。阶段目标越单一，示例的示范作用越集中，DeepSeek输出的教学流程也越接近真实教师的操作顺序。
3. 上下文组织与提示结构：把示例放在正确位置
DeepSeek具备较强的长上下文处理能力，但长上下文不等于有效上下文。少样本提示需要明确的结构，通常包括角色与目标、任务说明、示例区、当前输入区和输出约束。示例区应使用稳定的字段和分隔，让模型知道哪些内容是示范、哪些内容是需要处理的新任务。若示例与当前输入混在一起，模型可能把示例中的学生姓名、题目条件或格式要求误带入结果。把最相关的示例放在靠近当前输入的位置，可以减少无关示例的干扰。
以政策咨询或课程规则问答为例，示例中应展示用户问题、依据条款和答复口径，而不是只给一段标准答案。若当前问题涉及退费规则，而示例区大量出现选课规则，模型可能沿用过时口径。更合理的组织是先放一条通用答复风格示例，再放一条与当前问题同领域的示例，最后进入当前问题。对于长文档任务，可以先用简短示例示范如何摘取依据，再让模型处理全文，避免示例过长挤占关键输入。示例中的格式标记要统一，正文中不要频繁切换称谓和输出模板。
在更复杂的教学系统里，少样本提示可以与检索增强结合，根据当前问题动态选取相似示例。固定示例库适合规则稳定的任务，动态示例更适合知识点多、学生差异大的场景。动态注入时要注意示例长度和相关性，检索到的示例如果只是表面相似但教学阶段不同，反而会误导模型。每次注入示例后都应保留版本记录，标明示例来源和适用任务。上下文组织的核心不是塞入更多内容，而是让DeepSeek在正确的位置看到正确的示范，从而降低误判和格式漂移。
4. 效果评估与迭代：建立少样本提示的闭环
少样本提示的效果不能只靠单次体验判断，需要建立小型评估集和明确的观察维度。评估维度可以包括任务准确率、格式合规率、教学语气一致性、追问有效性和安全性。测试集不必很大，二十到五十条覆盖典型难度和边界情况的样本就能发现大部分问题。每次调整示例后跑同一套测试，记录输出差异，才能判断改动是否真正有效。对于AI指导老师场景，还要关注模型是否越界直接给答案、是否遗漏关键错因、是否使用了不适合学生年龄的表达。
以数学题批改为例，可以统计错因定位准确率和提示可执行性。某轮示例中如果大量出现完整解题过程，模型就容易越过“提示”边界；在示例中增加“只给第一步提示”的示范后，输出会明显收敛。评估时要把错误分类，区分是示例缺失、示例矛盾、输入信息不足还是参数设置不当。若错误集中在某类题型，就补充对应边界示例；若错误集中在格式，就检查示例字段是否统一。每轮迭代只改动一个变量，并保留示例版本、参数和测试结果，才能定位效果变化的来源。
成本与延迟同样需要纳入闭环。少样本提示会增加输入长度，示例越多，调用成本和响应时间越高，因此要在稳定性和成本之间寻找平衡。常用任务可以保留精简示例库，低频复杂任务再动态加载更多示例。示例库应定期清理冗余和过时内容，避免旧口径污染新任务。评估不是一次性工作，而是随着学生需求、课程规则和模型版本变化持续进行的过程。当示例库能够根据错误类型稳定更新，少样本提示才会从一次性技巧转化为可复用的教学生产能力。
