上下文学习

上下文学习 是什么

上下文学习（In-context Learning，ICL）指大模型在不更新参数的情况下，仅通过在提示中放入示例或说明，就能按新格式、新风格完成任务的推理能力。你把「怎么做的例子」放进对话，模型当场学会照着做。

工作机制

• 提示中的示例构成「任务说明」：模型从上下文推断任务格式。
• 参数不变：能力来自模型对已有知识的即时组合。
• 少样本提示（Few-shot）与零样本提示（Zero-shot）都是 ICL 的应用。

典型用法

• 格式模仿：给几个 JSON 示例，让模型输出同格式数据。
• 风格迁移：给风格样例，让模型按该风格续写。
• 角色设定：给角色描述与对话示例，让模型扮演该角色。

与微调的区别

上下文学习不改模型，效果随示例质量浮动，适合快速任务；微调改变模型参数，效果稳定，适合深度定制。日常用 ICL，专业领域才需要微调。

小结

上下文学习是提示工程的底层机制：模型从示例中现场学习，参数纹丝不动。理解它，就能设计出更有效的提示词。