角色设定不是随便写「你是专家」就够的。要具体：「你是 5 年经验的 Next.js 全栈开发者，熟悉 SEO 优化和出海产品，代码风格偏好简洁和类型安全」。越具体的角色设定，AI 的输出越符合预期。 用 Prompt 驱动 Prisma Schema 设计效果不错。告诉 AI 业务需求（如「用户有多个订阅，订阅有多个订单」），让它生成包含关系、索引、级联删除的完整 Schema。但要检查索引是否合理，AI 偶尔会漏掉查询频繁字段的索引。 Few-shot 示例的顺序影响：把最简单/最典型的放第一个，最复杂的放最后一个。AI 会更关注第一个示例（锚定效应）和最后一个示例（近因效应）。中间的示例容易被忽略。
上周刚好踩了这个坑，元提示词（用 AI 优化 Prompt）是个好思路，但需要人工判断哪些建议有效。细节可以再展开讨论。
我做了类似的对比实验：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
上周刚好踩了这个坑，系统提示词里加「不确定时回答不知道」能显著降低幻觉率。
补充一个边界情况：元提示词（用 AI 优化 Prompt）是个好思路，但需要人工判断哪些建议有效。希望少走弯路。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。这个方案我试过，长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。希望少走弯路。
有个更优的方案：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。欢迎交流讨论。
我做了类似的对比实验：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。我也还在探索中。
元提示词（用 AI 优化 Prompt）是个好思路，但需要人工判断哪些建议有效。
我做了类似的对比实验：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。有疑问可以继续问。
我的项目里也用了这个方案，Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。共同进步。
我做了类似的对比实验：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
我之前也遇到过类似问题，Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。欢迎交流讨论。
我的实践经验和你的不太一样：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。如有不对请指正。
不同场景下结论可能不同：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
补充一个可能被忽略的点：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。希望少走弯路。
元提示词（用 AI 优化 Prompt）是个好思路，但需要人工判断哪些建议有效。
这个思路很巧妙，负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。仅供参考，具体还是要看你的场景。
元提示词（用 AI 优化 Prompt）是个好思路，但需要人工判断哪些建议有效。
反对一下，我的测试结果不是这样：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。期待更多实战经验分享。