示例选择（Few-shot Example Selection）指的是：在给大模型做少样本提示（few-shot prompting）时，从手头一堆可用示例里，挑出与当前问题最匹配的那几个放进提示词——而不是随便抓几个，或者把所有示例都塞进去。
打个比方：你要教新同事写客户回复邮件。你不会把公司十年的邮件全倒给他，也不会随手抽三封。你会挑两三封"跟这单客户情况最像"的邮件：同样是催货、同样是老客户、同样的语气。他看一眼就懂了分寸。反过来，你拿一封投诉安抚邮件当范例，让他照着写报价邮件，他很可能学歪——格式对了，姿态全错。
大模型也是这样"学"的。它并没有真的更新参数，只是在上下文（context）里照着示例的格式、标签和推理套路往下走，这个现象叫AI 词典：上下文学习">上下文学习（in-context learning）。所以示例的内容、顺序、数量都会影响输出质量。
具体来说，影响效果的因素大致有这些：
| 因素 | 说明 | 常见做法 |
|---|---|---|
| 相似度 | 示例的输入是否和当前问题同类 | 用向量（embedding）算距离，取最接近的几条 |
| 多样性 | 全是同一种情况，模型会以为只有这一种答案 | 既给正例，也覆盖典型边界情况 |
| 数量 | 多了不一定更好，噪声和无关信息会分散注意力 | 通常 2～5 条够用，以实测为准 |
| 顺序 | 靠后的示例往往影响更大 | 把最贴切、最标准的放后面 |
要和相邻概念分清楚：少样本提示回答的是"给不给例子"；示例选择回答的是"给哪几个例子"。而微调（fine-tuning）是改模型权重，属于长期训练；检索增强生成（RAG）是把外部文档塞进上下文当"事实依据"，示例选择塞进去的则是"输入—输出配对"，是当"模仿样板"。两者形式很像，目的不同。
对从业者的实际意义：
1. 别只盯着提示词的措辞，先把示例库建起来。按任务类型打标签，用相似度检索动态挑示例，往往比反复改句式收益大。
2. 宁精勿多。先保证每条示例格式统一、答案正确，再去加数量。
3. 做成可评估的小流程：固定一批测试问题，比较"随机取示例"和"检索相似示例"的差别。不同任务的最优数量不一样，以你自己的评测结果为准，别照搬别人的数字。
对普通职场人也有个朴素启示：向 AI 提问时，给一两个跟眼前这件事最像的例子，通常比给一堆泛泛的背景更管用。