_{记忆点：静态示例成本低但容易过时，动态检索更准但有延迟开销。}

💡 答案要点

Static Few-Shot（静态）vs Dynamic Few-Shot（动态）核心差异：

维度	Static Few-Shot	Dynamic Few-Shot
示例来源	硬编码在 Prompt 里	运行时从知识库检索
适用场景	固定任务、简单分类	开放域任务、领域多样
维护成本	低（改一次即可）	高（需维护示例库 + 向量索引）
准确率上限	~75%（示例不匹配时大幅下降）	~92%（能选到最佳示例）
延迟影响	几乎零额外延迟	+检索时间（通常 <50ms）
Token 消耗	固定（最多 5 个示例 × 上下文）	动态（可能 0~N 个示例）

何时该用什么（面试高频决策题）：

✅ 用 Static Few-Shot：
- 任务类型固定且单一（如情感分类、NER）
- 用户群体和输入分布稳定
- Token 预算紧张 / 延迟敏感
- 快速原型阶段

✅ 用 Dynamic Few-Shot：
- 开放域问答（用户问题跨度大）
- 多领域混合场景（医疗+金融+法律混用）
- 需要持续优化但不想频繁调参
- 示例库足够大（100+ 优质示例）

❌ 两者都不适合：
- 简单规则就能解决的任务
- 实时性要求极高的场景（如 <100ms SLA）

Dynamic Few-Shot 实现模式：

class DynamicFewShot:
    def __init__(self, example_db, embedding_model):
        self.db = example_db       # 向量数据库存储示例
        self.embedder = embedding_model
    
    def retrieve_examples(self, user_query, k=3):
        """根据用户查询语义相似度检索最相关的示例"""
        query_emb = self.embedder.encode(user_query)
        return self.db.similarity_search(query_emb, k=k)
    
    def build_prompt(self, user_query, retrieved_examples):
        """把检索到的示例动态拼入 Prompt"""
        prompt = "请根据以下示例回答问题：\n\n"
        for i, ex in enumerate(retrieved_examples, 1):
            prompt += f"示例 {i}:\n输入：{ex.input}\n输出：{ex.output}\n\n"
        prompt += f"\n问题：{user_query}\n回答："
        return prompt

效果数据（行业基准测试）：

方法	GSM8K（数学）	OpenQA（开放问答）	Code Translation	平均延迟
Zero-shot	52%	41%	35%	基准
Static Few-Shot	64%	53%	48%	+5ms
Dynamic Few-Shot	78%	68%	62%	+40ms

面试话术：

"Static Few-Shot 胜在简单高效，适合任务边界清晰的场景；Dynamic Few-Shot 的核心优势是通过语义检索为每个输入选择最优的 N 个示例，典型提升 15-20 个百分点。但在生产环境要权衡检索延迟——我的做法是预计算好 top-K 示例缓存层，配合异步检索，让用户体验无感知。对于冷启动期（示例库不足），自动降级到 Static 或 Zero-shot。"

---