示範挑選（demonstration selection）

當你用範例來提示時，示範挑選要回答的是「該放進哪些範例」，而事實證明這影響極大。模型是從你給它看的案例學會任務的，所以這些範例不是裝飾，而是課程本身。挑選正確、標註清楚、又能代表真實輸入範圍的範例，能把模型引導得好；草率或偏頗的範例，則教出狹隘或錯誤的模式。

有幾條準則一再出現。和實際問題相像的範例通常最有幫助，這也是為什麼許多系統會從一個較大的池子裡，撈出與當前輸入最相似的示範，而不是用一組固定的。要涵蓋你預期的多樣性，包含一個困難或邊界的案例，免得模型以為每個輸入都長得像那些簡單的。標籤要保持正確，因為哪怕只有一個標錯的範例，都可能造成誤導。

其中有些微妙之處。出人意料的是，範例的格式與標籤分布，對模型的影響可能不亞於每個標籤本身是否正確；而範例的順序也會改變答案。所以挑選不只是選好案例，還關乎它們如何排列，這就和提示敏感度連在一起了。