AI看例子也讲“位置“：前面的例子比后面的例子管用，给AI看的例子放在提示词前面比放在后面效果好20%

AI看例子也讲"位置"：前面的例子比后面的例子管用，给AI看的例子放在提示词前面比放在后面效果好20%

论文：Where to show Demos in Your Prompt: A Positional Bias of In-Context Learning

作者意外发现演示位置的巨大影响。

AI处理提示词时，会给前面的内容分配更多注意力权重，这导致前面的演示样例对最终输出影响更大。

因为transformer架构使用因果掩码，后面的token只能"看到"前面的token，而前面的token会影响所有后续位置的计算。

这意味着提示词的"物理位置"本身就携带了"重要性信号"。位置本身就是信息，前面=重要，后面=次要。

这是提示词优化的核心原理，理解这点就能指导所有优化决策。

小模型处理能力有限，更依赖前置引导；大模型有更强的上下文整合能力。

论文提到ssp > esp > sum > eum的总体规律

最优格式：系统提示开头放样例 (ssp)

次优格式：系统提示结尾放样例 (esp)

避免格式：用户消息结尾放样例 (eum)

小模型（1.5B-8B）：位置敏感性强，ssp/esp明显优于eum

大模型（70B+）：位置敏感性减弱，但仍存在差异

LLAMA3 70B在多个任务上偏好sum位置，与小模型不同

QWEN-1.5B在AG News上：ssp(76%) vs eum(56%)，相差20个百分点，预测变化率高达45.5%（从sum切换到eum时）

分类任务：ssp/esp通常最优

生成任务：位置效应更复杂，大模型有时偏好后置位置

算术推理：存在scale-sensitive trends，小模型偏好早期位置