本次查询：In-Context Learning
中文解释：上下文学习
常见场景：在对话式AI / 文本分类 / 代码生成 / 翻译等场景中 / 用户通过提供少量示例或指令
一句话解释
In-Context Learning 是指大语言模型在不更新自身参数的情况下，仅通过输入中的若干示例或自然语言指令，就能理解任务并生成符合要求输出的能力。简单说，就是让模型在对话时“现学现卖”，靠几个例子立刻学会新技能。
为什么会被关注
传统机器学习需要大量标注数据和耗时训练才能适应新任务。而 In-Context Learning 只需提供几个示例就能让模型“学会”，极大降低了AI应用的门槛和成本。这对非技术用户尤其友好，因为他们不需要掌握模型训练知识，只需在输入中写几个例子就能获得精准输出。
此外，该能力推动了大模型“可交互、可定制”的发展方向。开发者可以快速构建原型、测试新功能，甚至实现一次性任务自动化。它也成为提示工程（Prompt Engineering）的核心基础之一，催生了大量基于少量示例的AI应用创新。
核心逻辑
In-Context Learning 依赖于大模型在预训练阶段从海量文本中学习到的模式与规律。当用户在输入中给出若干示例时，这些示例构成了一个“隐式上下文”，模型会将其视为一个连贯的模式序列，并预测下一个最可能的输出。
这一过程并不改变模型的权重参数，而是利用注意力机制让示例中的映射关系（如输入A→输出B）影响后续生成。模型通过识别示例间的相似性自动推断任务规则，因此示例的数量、质量和顺序都会显著影响学习效果。
常见场景
文本分类：向模型展示几封垃圾邮件和正常邮件的例子，让模型自动分类后续邮件。翻译：给模型几个“英文→法文”的例句，模型便能翻译新的英文句子。代码生成：提供一段输入（如注释）和对应代码的样例，模型即可按要求编写类似代码。
对话系统：在聊天中提供若干轮对话范例，让模型模仿语气和回答风格。数据转换：例如给出几条JSON格式的输入，要求模型输出Excel表格格式，只需展示一两个转换示例，模型就能完成批量转换。
容易混淆的点
In-Context Learning 不等于微调（Fine-tuning）。微调需要更新模型参数并花费计算资源，而上下文学习只在推理时生效，不改变模型本身。两者本质不同：一个是“临场发挥”，一个是“长期训练”。
它也不等同于零样本学习（Zero-shot Learning）。零样本完全不提供示例，仅凭指令；而上下文学习至少需要一个示例（即少样本学习）。另外，过长或不当的示例可能导致模型“跑偏”，与真正的学习机制有区别，更多是模式匹配而非概念性吸收。