인컨텍스트 학습 (In-context learning, ICL)은 프롬프트에 어떤 예시(demonstrations)가 포함되는지에 따라 매우 민감하게 반응하지만, 가능한 예시 컨텍스트와 조합의 공간이 방대하기 때문에 이를 선택하는 과정은 비용이 많이 듭니다. 우리는 예시 선택이 "찾는 것보다 판단하는 것이 더 쉽다(ëasier to judge than to find}"고 주장합니다. 즉, 특정 쿼리-컨텍스트 쌍 $(q,D)$가 성공할지 여부를 예측하는 것이 최적의 $D^\star$를 찾는 것보다 더 저렴하고 일반적입니다. 이러한 통찰을 바탕으로, 우리는 쿼리를 난이도별로 계층화하는 샘플링 및 판단(sample-and-judge) 프레임워크인 DiSP를 제안합니다. DiSP는 무작위 예시 시행을 실행하여 각 학습 쿼리의 성공률을 추정하고, 쿼리로부터 난이도를 예측하는 경량 라우터(router)를 학습시키며, 샘플링된 예시에 대해 수준별 판단기(level-specific judges)를 학습시킵니다. 추론 시, DiSP는 명시적인 예산(budget) 하에 수락 시 중단(stop-on-acceptance) 판단을 수행하며, 적절한 컨텍스트를 찾지 못할 경우 진단적 위험 태그(diagnostic risk tags)를 출력합니다. Llama3--8B 및 Qwen2.5--7B를 사용한 5개의 분류 데이터셋에 대해, DiSP는 가장 높은 평균 정확도를 달성하였으며, 강력한 학습 기반 선택 베이스라인(learned selection baselines) 대비 최대 3.4%의 성능 향상을 보임과 동시에, 엔드투엔드(end-to-end) 실시간 벽시계 시간(wall-clock speedup)을 최대 $23 imes$까지 단축했습니다.