本次查询：上下文学习
中文解释：上下文学习
常见场景：用户与大语言模型（如ChatGPT / Claude）交互时 / 通过提供几个例子来引导模型完成特定格式的文本生成 / 翻译 / 分类或代码编写等任务。
一句话解释
上下文学习是大语言模型仅通过分析当前对话中提供的几个例子（即“上下文”），就能模仿并完成同类新任务的能力，整个过程模型参数保持不变。
为什么会被关注
这项能力是ChatGPT等对话AI显得如此“聪明”和灵活的关键。它极大地降低了使用门槛，用户无需懂技术或准备训练数据，通过“举例说明”就能让AI快速适应各种需求，实现了AI应用的民主化和即时化。
核心逻辑
其核心在于大模型在海量数据预训练中形成的强大模式识别与泛化能力。当用户提供示例时，模型并非“学会”了新知识，而是根据示例与自身已有知识的模式匹配，推测出用户意图的任务格式和规律，并据此生成符合要求的回答。
常见场景
1. 格式转换：给几个“原文-目标格式”的例子，让模型将新文本转换成表格、JSON或特定风格的邮件。
2. 分类与标注：提供几条已分类的评论，让模型对新评论进行情感（正面/负面）或主题分类。
3. 代码生成：展示一个函数的功能描述和代码示例，让模型为类似的新功能编写代码。
4. 创意写作：给出几首特定风格的诗句，让模型模仿该风格创作新诗。
容易混淆的点
上下文学习 ≠ 模型训练或微调。它不改变模型内部的权重，只是临时性的“任务演示”。而微调则需要用数据更新模型参数，是永久性的改变。
它与“思维链”紧密相关但不同。思维链是通过让模型展示推理步骤来提升复杂问题回答的准确性，可以看作是上下文学习的一种高级应用形式，专门用于激发模型的推理能力。