随着“提示学习”的兴起，预训练语言模型在少样本学习中取得了显著的表现，其中的关键问题是如何为每个训练样本构建合适的提示．近年来研究人员提出了一系列提示构造方法，有的构造离散型的提示，有的构造连续型的提示，但通常都是将一个提示应用到整个数据集上．然而，实验结果表明，很难找到一个能够适用于任务中所有样本的提示．为此，提出了一种用于小样本学习的个性化连续型提示调优方法（PCP-tuning），其目的是根据数据集中每个样本的语义来生成个性化的连续型提示．同时，还提出了两种校准技术来控制生成的连续型提示的分布，以获得更好的下游任务表现．最后在10个基准任务上进行大量实验，证明了新方法的优越性能．