上下文学习

上下文学习是什么？

你不需要重新训练模型，只要在提示里塞进几个例子，模型就能当场「悟」出这个任务该怎么干。上下文学习（In-Context Learning, ICL）就是这样：参数一个都不动，光靠上下文里那点信息，让模型学会一个新任务。

它是怎么工作的？

给例子，而不是给规则
你不用写一大段「请把英文翻译成中文」的说明，直接给两三组「输入→输出」示范，模型就能照着做。这种手法叫 few-shot（少样本示例）。
注意力都放在例子上
模型生成答案时，会把注意力投到这几个例子上，从中「读出」任务该怎么做，再套用到你的新问题上。

为什么它这么重要？

零成本适应新任务
过去让模型干新活儿，得微调——要数据、要算力、要时间。ICL 什么都不用，改改提示就行。
随时切换、随时试
想换个任务？换一批例子就够了。这种灵活性，正是提示工程能流行起来的原因之一。

它有什么局限？

ICL 的效果受上下文窗口限制：例子塞太多会撑爆窗口、还会互相干扰。它也不如微调「记得牢」，每次都得重新给例子。但对绝大多数日常任务来说，它已经足够好用。

一句话记住：上下文学习就是「用例子教 AI」——不给规则、不做训练，几个示范就够了。