这类问题我又碰上了一次。分类提示词里放了 8 条示例，其中一条把“退款”标成了“咨询”，上线后退款类样本的准确率从 0.94 掉到 0.68，模型开始把退款也归到咨询。
第一反应是「提示词没有说明示例的判定标准」，验证下来不成立。
真正麻烦的地方在于，几个原因的现象几乎一样。示例是从旧标注集直接复制的，没有做一致性校验；示例里正负例比例失衡，错例权重被放大；示例顺序固定，模型对最后一条印象最深。
上来先逐条核对示例与标注是否一致
python check_fewshot.py --file shots.jsonl --labels intents.json然后统计各类目在示例中的占比
python -c "import json,collections;print(collections.Counter(r['label'] for r in json.load(open('shots.jsonl'))))"接着替换错例后重跑同一批测试
python eval_cls.py --set test_400.jsonl --shots shots_v2.jsonl剩下的就是看各类目召回确认没有新的偏斜
python eval_cls.py --set test_400.jsonl --shots shots_v2.jsonl --per-class怎么算真的好了，看的是同一批现象。退款类准确率回到 0.93，各类目召回差距在 4 个百分点以内，示例里的标签与标注集完全对齐。
提醒一点。few-shot 里的示例就是隐式规则，一条错例足以改变整个类目的边界；示例集要像训练数据一样做一致性校验和版本管理。这类问题最好一次改到位，反复小改反而容易把原因搅混。