上下文学习（In-context Learning，ICL）指大语言模型在不修改任何参数的情况下，仅通过在提示词（上下文）中放入示例或说明，就能学会执行新任务的能力。
工作原理
模型在训练时见过海量"模式+延续"的文本，当提示词中呈现"输入→输出"的示例序列时，模型会把当前问题识别为同类型模式，并顺着示例的规律给出输出。
三种形态
- 零样本（Zero-shot）：只给任务指令，不给示例
- 少样本（Few-shot）：给 2-5 个示例后让模型模仿
- 上下文学习：给大量示例或详细说明（甚至整本手册）
为什么重要
ICL 意味着不需要重新训练模型就能适配新任务——想要让AI学会新格式、新风格，只需在提示词里演示几遍即可。这是提示词工程（Prompt Engineering）能发挥巨大作用的理论基础，也是 RAG（把资料放进上下文）有效的根本原因。
局限
上下文窗口有限、示例太多会稀释注意力、成本随上下文长度上升。这些局限催生了提示词缓存（Prompt Caching）等优化技术。