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%。 Few-shot 示例的选择比数量重要。3 个高质量示例的效果远好于 10 个普通示例。关键是示例要覆盖不同场景：正常情况、边界情况、特殊情况。而且示例的顺序也有影响，把最典型的放第一个。 Temperature 参数的经验值：代码生成用 0.1-0.3（要确定性），创意写作用 0.7-0.9（要多样性），SEO 内容用 0.4-0.6（平衡准确和自然）。Top-p 一般固定 0.9，主要通过 Temperature 调节。
补充一点：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。踩了很多坑才总结出来的。
补充一个边界情况：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。
讲个真实案例：降 AI 率最有效的是让 AI 模仿口语化表达，加入「我觉得」「说实话」这类词。细节可以再展开讨论。
结合我最近的项目经验：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。一起学习。
我的理解是：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。如有不对请指正。
不同场景下结论可能不同：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。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
我的理解是：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。
Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
反对一下，我的测试结果不是这样：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。实践出真知，建议动手试试。
实操中我发现：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。欢迎大家补充。
有个更优的方案：降 AI 率最有效的是让 AI 模仿口语化表达，加入「我觉得」「说实话」这类词。后续有新发现再来更新。
我的团队是这样做的：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。如有不对请指正。
我的团队是这样做的：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。共同进步。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。我也还在探索中。
我调研过这块，Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
不同场景下结论可能不同：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。
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。细节可以再展开讨论。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。