少样本异常检测可以降低启动门槛，但参考样本、成像一致性和验收边界仍决定最终效果。

从正常参考与少量样例启动

很多制造现场无法在项目开始前准备大量缺陷图。严重缺陷本来就少见，新型号又没有历史数据，等待完整数据集意味着系统永远无法启动。少样本方法通常从另一条路出发：先学习少量正常参考的外观与局部特征，再判断新图像的哪些区域偏离了这些参考；或者利用视觉—语言预训练模型，通过文字提示和少量样例，把已有知识迁移到新对象上。

用研究方法选择验证路径

PatchCore 一类方法说明，保存具有代表性的局部特征，可以在不训练大型专用模型的情况下识别许多表面异常；WinCLIP 则探索了零样本与少样本场景下，如何借助视觉语言表示完成异常分类和分割。这些研究给产品设计的重要启发不是“几张图就能解决所有问题”，而是把启动过程拆开：先用正常参考和明确标准覆盖稳定问题，再持续收集边界样本，逐项确认哪些缺陷已经达到验收要求。

新经验先验证，再发布

EPOVIS 中的自学习也应是受控过程。人工复核后的样本可以成为新经验，但不能未经验证就自动改变线上结论。系统需要记录样本来源、模型或 Agent 版本、对比指标和回退点，再由项目范围内的验收集决定是否发布。对质检员而言，最重要的不是理解“特征库”或“提示学习”，而是知道新增经验会影响哪些检测项、改善了什么、是否带来新的误报。

学术来源

Towards Total Recall in Industrial Anomaly DetectionCVPR 2022 / arXiv
代表性的局部特征记忆库方法，聚焦工业异常检测与定位。
WinCLIP: Zero-/Few-Shot Anomaly Classification and SegmentationCVPR 2023 / arXiv
研究视觉语言模型在零样本和少样本异常分类、分割中的使用方式。