3、示例选择策略：随机选择、基于相似度选择、多样性选择、代表性选择

少样本提示，说白了就是给模型「打样」。但问题来了——你手头可能有几百条数据，到底挑哪几条给模型看？

我见过不少新手，直接随机抽几条就往上怼。结果呢？模型输出忽好忽坏，跟开盲盒似的。今天咱们就把这四种策略掰开揉碎了讲清楚。

3.1 随机选择——最省事，也最不靠谱

随机选择，就是闭着眼睛从数据池里抓几条。代码写起来最简单：

import random

examples = all_data[:100]  # 假设有100条数据
selected = random.sample(examples, 5)  # 随机挑5条

嗯，这里要注意——随机选择有个致命问题：稳定性差。你这次抽到的样本可能刚好覆盖了关键模式，下次抽到的全是边缘案例。

什么时候用随机？我个人习惯在快速原型验证阶段用。数据量特别大（比如上万条）且分布均匀时，随机也能凑合。但正式项目？我劝你别偷懒。

3.2 基于相似度选择——让模型「抄近道」

这个策略的核心思想：找跟当前输入最像的样本做示例。你想想看，模型看到相似的例子，是不是更容易理解你的意图？

具体做法分三步：

1. 把每条数据转成向量（用BERT或Sentence-BERT都行）
2. 计算当前输入与所有候选样本的余弦相似度
3. 挑相似度最高的K条

代码长这样：

from sklearn.metrics.pairwise import cosine_similarity

# 假设已有向量矩阵
query_vec = get_embedding("今天天气真好")  # 当前输入
candidate_vecs = get_embeddings(all_examples)  # 候选池

# 算相似度
scores = cosine_similarity([query_vec], candidate_vecs)[0]
# 挑Top-3
top_indices = scores.argsort()[-3:][::-1]

3.3 多样性选择——避免「一叶障目」

多样性选择，就是让选出来的样本覆盖尽可能多的类型。为什么要这么做？

举个例子：你要教模型识别动物。如果示例全是猫，模型看到狗也会说成猫。多样性选择就是要避免这种「偏科」现象。

实现方法有很多，我常用的是聚类+采样：

from sklearn.cluster import KMeans

# 先聚类
kmeans = KMeans(n_clusters=5, random_state=42)
clusters = kmeans.fit_predict(all_vectors)

# 每个簇里挑一条
selected = []
for i in range(5):
    cluster_indices = np.where(clusters == i)[0]
    selected.append(random.choice(cluster_indices))

还有一种更直接的方法——最大边际相关性（MMR）。它同时考虑「跟查询的相似度」和「样本间的差异性」：

def mmr_selection(query_vec, candidate_vecs, k=3, lambda_param=0.5):
    selected = []
    remaining = list(range(len(candidate_vecs)))
    
    for _ in range(k):
        scores = []
        for idx in remaining:
            sim_to_query = cosine_similarity([query_vec], [candidate_vecs[idx]])[0][0]
            sim_to_selected = max([cosine_similarity([candidate_vecs[idx]], [candidate_vecs[s]])[0][0] for s in selected]) if selected else 0
            mmr_score = lambda_param * sim_to_query - (1 - lambda_param) * sim_to_selected
            scores.append(mmr_score)
        best_idx = remaining[np.argmax(scores)]
        selected.append(best_idx)
        remaining.remove(best_idx)
    return selected

3.4 代表性选择——找「课代表」

代表性选择，就是挑出最能代表整体数据分布的样本。说白了，就是找「课代表」——它一个人就能反映全班的大致水平。

怎么做？我推荐两种方法：

方法	原理	适用场景
K-Centroid	找离聚类中心最近的样本	数据有明显簇结构
核心集选择	用贪心算法覆盖整个空间	数据分布均匀

K-Centroid的实现很简单：

# 先找聚类中心
centroids = kmeans.cluster_centers_

# 每个簇里找离中心最近的样本
representatives = []
for centroid in centroids:
    distances = np.linalg.norm(all_vectors - centroid, axis=1)
    rep_idx = np.argmin(distances)
    representatives.append(rep_idx)

3.5 四种策略怎么选？

我把这四种策略的优缺点整理成了一张表，方便你对照：

策略	优点	缺点	推荐场景
随机选择	简单、快	不稳定、质量不可控	快速原型、数据量大且均匀
相似度选择	针对性强、准确率高	容易过拟合、计算成本高	问答系统、分类任务
多样性选择	覆盖广、泛化好	可能包含低质量样本	开放域生成、多类别任务
代表性选择	全局视角、稳定	依赖数据质量、计算复杂	数据分布已知、需要稳定输出

我个人习惯的决策流程是这样的：

• 时间紧、任务轻 → 随机选择（但记得固定种子）
• 任务对准确性要求高 → 相似度选择
• 需要模型有创造力 → 多样性选择
• 追求稳定、可复现 → 代表性选择

最后说一句：示例选择没有银弹。你最好在自己的数据上跑几轮对比实验，看看哪种策略最适合你的场景。毕竟，实践出真知嘛。