上下文学习
In-Context Learning
学到 认得 就够：听到能明白
你可能会说
“我给了几条文献提取范例后模型答得更好，这就表示它已经被重新训练了吗？”
上下文学习指模型利用当前输入中的示例或说明改变本次任务表现，通常不更新权重。它与微调最大的实践区别，是变化主要发生在本次可见内容，而不是保存成新参数。
使用 AI
科研里的例子
先给三段政策及人工标签，再让模型编码新段落；若没有训练更新，应写“提供标注示例辅助判断”，而非声称微调。
预训练后的模型可能从示例中识别任务模式、标签映射或表达规范，再据此生成结果。这种适应受示例顺序、覆盖和输入长度影响，不能因为少量成功就断言学会了完整概念。移除示例或换一段上下文，行为可能改变。科研应用应保留实际示例和选择规则，并用未展示过的材料评价，避免只用典型例子诱导出漂亮结果，却没有检验困难边界和跨来源稳定性。
判断
亲手检查一次
固定测试材料，分别不给示例、给典型示例、给边界示例，再更换顺序，记录结果变化及对规范的遵从。
它做不到的
ICL 中的学习是行为现象名称，不代表永久记忆；示例还可能被直接模仿，不能自动当成对研究概念的稳定掌握。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。