Chain-of-Thought 在复杂逻辑生成中效果显著。与其让 AI 直接写代码，不如先让它「分析需求→列出实现步骤→识别潜在问题→然后写代码」。多花 30 秒思考，代码的正确率能提升 40%。 长上下文 Prompt 的信息密度要控制。AI 对上下文的理解不是均匀的，开头和结尾的内容权重更高（首因效应和近因效应）。关键信息放开头，最新指令放结尾，中间放背景资料。 系统提示词模块化设计：把角色定义、技术栈、代码规范、错误处理策略拆成独立模块，按需组合。类似微服务架构的思路，每个模块职责单一，通过组合适配不同场景。 Prompt 模板版本管理很重要。我用 Git 管理 Prompt 文件，每次优化都 commit，写清楚改了什么、为什么改、效果如何。这样团队可以追溯 Prompt 的演进历史，也能回滚到效果更好的版本。
分享一下我的做法：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。欢迎交流讨论。
实操中我发现：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。如有不对请指正。
我的看法略有不同：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。踩了很多坑才总结出来的。
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。踩了很多坑才总结出来的。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
说个反直觉的发现：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。如果有更好的方案求分享。
我的团队是这样做的：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。希望对你有帮助。
这个观点我很认同，Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。一起学习。
我的团队是这样做的：角色设定越具体效果越好，「5 年 Next.js 全栈开发者」比「专家」好得多。
分享一下我的做法：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。后续有新发现再来更新。
我的实践经验和你的不太一样：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。感谢楼主的启发。
Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
补充一点：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
这个方案我试过，Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。如果有更好的方案求分享。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。