章节目标：结合 Few-shot 例子与 提示自测 ，让 Claude 理解“好答案长什么样”，同时避免学习坏习惯。

选择示例的原则

1. 和目标任务高度一致：示例应使用真实业务数据或最接近的模拟内容。
2. 展示格式与语气：在示例中体现 <analysis>、<final> 等结构，模型会自然模仿。
3. 包含反例：告知“不希望看到的回答”，并解释原因，强化边界。

<good>
输入：客户抱怨延迟发货
输出：三段式致歉 + 解决方案 + 补偿说明
</good>
<bad>
输出：只说“很抱歉”，缺少处理步骤 → 评分：不合格
</bad>

对比示例与评分

• 在 <task> 中要求模型“先比较，再生成”，可避免直接跳到结论。
• 让 Claude 以“评分 + 建议”形式输出，便于复盘示例是否足够。
• 定期更新示例：当业务规则改变时，应同步调整，避免模型引用旧流程。

示例：Few-shot 分类

prompt = """
<examples>
<good>
输入：Hi, I'd like to return my order.
输出：客服语气诚恳，提供退货流程。
</good>
<bad>
输入：I hate your service!
输出：情绪化且未提供解决方案。
</bad>
</examples>
<task>
1. 对新留言分类（正向/负向）。
2. 给出一句回应建议。
</task>
<input>Order #8123 arrived damaged and I'm angry.</input>
"""
print(get_completion(prompt))

对应 notebook 的 Few-shot 章节，这段代码说明如何让 Claude 模仿示例结构并输出分类结果。

练习

1. 选取 2 个正例、1 个反例填入 <examples>。
2. 在 <analysis> 阶段要求模型明确指出与哪条示例匹配。
3. 投入真实案例测试，观察输出是否复制示例结构；如不满足，增加更具体的反例或评分标准。

完成后，你可以建立“示例仓库”，让不同团队成员贡献案例，进一步提升提示模板的覆盖率。*** End Patch