系统提示词的 token 预算要合理分配。我的经验：角色定义 50 token、技术约束 200 token、格式要求 100 token、示例 300 token。总共控制在 650 token 以内，留足空间给用户输入和 AI 输出。 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。 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%。
有个相关问题想请教：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
我的理解是：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。踩了很多坑才总结出来的。说个反直觉的发现：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
实操中我发现：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。这个观点我很认同，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
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。
我之前也遇到过类似问题，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。这只是个人经验，不一定通用。
我的团队是这样做的：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。
我之前也遇到过类似问题，JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。我也还在探索中。
结合我最近的项目经验：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。欢迎大家补充。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。我的团队是这样做的：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。细节可以再展开讨论。
补充一个边界情况：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。效果因项目而异，建议实际测试。
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。
结合我最近的项目经验：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。期待更多实战经验分享。
这个观点我很认同，系统提示词里加「不确定时回答不知道」能显著降低幻觉率。
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。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
讲个真实案例：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。欢迎私信深入交流。