一句话定义：上下文学习（In-Context Learning，ICL）指大语言模型不修改任何参数，只在提示词里给出几个示例或说明，就能在新任务上直接给出像样答案的能力。
展开讲清原理：常规机器学习像重新培训员工：要调权重、跑训练。ICL 更像给一位见多识广的同事递一张便签：“把下面句子翻成英文：苹果→apple；香蕉→banana；现在翻‘葡萄’。”他并没有被重新培训，只是从便签里读出了任务模式：输入中文水果，输出英文单词。模型在预训练时见过海量文本，其中包含大量“示例→答案”的模式，也学会了根据上下文补全。你给的几个例子，相当于把任务坐标写进了当前对话，让模型在生成每个词时，条件概率偏向符合示例规律的方向。它不是在权重里“学会”新技能，而是在当前激活中临时拼出一个任务解法。
和相邻概念的区别：微调（Fine-tuning）会更新参数，把任务写进模型本身；ICL 只改输入，不改参数。提示工程（Prompt Engineering）是设计输入的方法，ICL 是其中一种现象或能力。零样本（Zero-shot）是只给指令不给例子；少样本（Few-shot）是给几个例子，常被当作 ICL 的典型形式。
| 维度 | 上下文学习 | 微调 |
|---|---|---|
| 是否更新权重 | 否 | 是 |
| 数据放哪 | 提示词上下文 | 训练集 |
| 生效时间 | 当场 | 训练后 |
| 门槛 | 较低，受上下文长度限制 | 较高，需数据和算力 |
| 适合场景 | 快速试任务、统一格式、抽取改写 | 稳定专精、大规模一致 |
对从业者和普通人的实际意义：对从业者，ICL 意味着很多任务可以先不训练模型：整理分类标签、统一输出格式、做信息抽取和改写，先用几个高质量示例验证可行性。示例要干净、覆盖边界、顺序和格式一致；示例越多不一定越好，太长会挤占上下文，也可能引入噪声。对普通人，学会把要求、例子、输出格式写清楚，往往比反复说“你聪明点”更有效。ICL 也有边界：它不保证真正理解，可能学错示例里的偏见，复杂推理和最新事实仍需外部工具或微调。涉及具体模型能力、上下文长度和价格，以官方页面为准。