Few-shot 示例顺序会影响结果吗？

简化版

会。模型可能受近因、首因、标签连续和长度偏置影响，同一组示例换序就改变预测。通常把通用格式示例放前、与查询最相关或最复杂的示例靠近查询，并避免标签成块排列；但没有通用最佳顺序，必须对多种排列做稳定性测试，必要时集成多顺序结果。

顺序影响来自 Transformer 的位置表示与上下文学习偏置：靠近问题的示例更易被利用，最后示例的标签可能被过度模仿，长示例也会占据更多注意力。分类任务需打散标签，生成任务要保持难度递进或相关性递增，同时让输出格式始终一致。

实验应固定示例集合，只改变排列；对 k 个示例不必穷举 k!，可采样随机顺序、正反序、按相似度升/降序和标签交替。报告均值、最差值和方差。若顺序敏感度过高，应减少冲突示例、强化明确规则、改用动态检索或对多个排列做投票。

同一示例集合 -> 多种排列 -> 同一测试集 -> 均值 / 方差 / worst-case -> 选择稳健顺序

自回归模型按顺序读取 Token，位置编码让相同内容出现在不同位置时表示不同。Few-shot 并非先把示例无序汇总再推理，而是在一条序列中学习临时模式。靠近最终问题的例子常具有更直接影响，但开头也可能因定义任务框架而重要。

如果三个示例的标签依次都是 A、A、B，模型可能把最近的 B 当成强先验；换成 A、B、A 后预测分布改变。这不代表模型不会任务，而是上下文证据的权重受到排列影响。

近因偏置偏向最后示例，首因偏置偏向最早建立的模式；多数标签偏置让模型预测出现更多的类别；长度偏置让长示例获得更多 Token 影响。相邻示例结构过像，还可能让模型复制最近表面形式。

这些偏置可能同时存在，不能靠一次换序下结论。

记忆钩子：Few-shot 是“有顺序的临时训练轨迹”，不是无序样本袋；顺序就是 Prompt 的一部分。

相关性递增把最相关示例放在最后，利用近因；相关性递减则先建立最贴合的任务框架。难度递增从简单格式到复杂边界，便于模型理解规则；标签交替减少类别块偏置。选择依赖任务和模型，需要验证集决定。

对结构化输出，可将最干净的 schema 示例放第一，靠近查询再放一个边界示例。对分类，可在位置上平衡标签，使每类不总固定出现在末尾。动态检索时排序器应显式实现策略，而不是沿用数据库不稳定返回顺序。

设同一测试样本在 m 种排列下得分为 s_1...s_m，可报告均值、标准差和最差值：

mean = Σ s_i / m
sensitivity = max(s_i) - min(s_i)

若五种排列准确率为 84、83、85、70、82%，均值 80.8%，极差 15 个点，说明某种排列会灾难性失败。只报告最佳 85% 会高估生产稳定性。也可统计单样本预测翻转率，找最敏感类型。

k=8 时有 40320 种排列，没必要全部跑。可以选择原序、逆序、相似度升降序、难度升降序、标签交替，再加若干随机排列。使用固定随机种子，确保版本间比较同一组顺序。

若任务风险高，可用拉丁方让每个示例在各位置出现次数相近，分离示例质量与位置效应。线上仍应固定确定顺序，避免同一输入因数据库返回次序变化而随机漂移。

先检查示例是否冲突或标签错误；一个歧义例子在末尾影响特别大。把核心规则明确写出，让示例只是说明而非唯一规范。减少冗余、平衡标签、统一格式，并将最相关边界例靠近查询。若仍敏感，可多排列推理后投票，但成本成倍增加。

分类任务还可计算每个排列的标签先验并做校准，或不用生成标签文本，改成受约束选项。生产优先追求单次稳健 Prompt，多顺序集成适合高价值、低吞吐场景。

检索 Top-k 通常带相似度分数，但向量数据库在同分时顺序可能不稳定。必须添加稳定 tie-breaker，并把排序策略版本化。示例更新后重新测顺序回归，因为新增一个高相似示例可能把所有位置向后推。

日志保存最终示例 ID 顺序，而不只是“使用了 Top-5”。发生错答时可原样重放。缓存 key 也应包含有序 ID 列表；把它当集合排序后缓存，会把不同 Prompt 错误合并。

示例顺序可记成“近、首、标、长、稳”：检查近因和首因，平衡标签位置，控制长度差异，用多排列测均值、极差和翻转率。最佳顺序由实验决定；若轻微换序就崩，应先修示例冲突与规则表达，而不是把偶然的排列当成永久秘方。