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。 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。 Prompt 迭代优化的思路和代码优化一样：先让它跑通，再量化和优化。我每次改 Prompt 都会记录：改动点、测试输入、输出质量评分。积累 20-30 组数据后，就能发现哪些改动有效，哪些是噪音。
Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
有个细节值得注意：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。欢迎大家补充。
讲个真实案例：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。实践出真知，建议动手试试。
有个细节值得注意：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。一起学习。
我调研过这块，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。
不同场景下结论可能不同：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。
有个相关问题想请教：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。
我的项目里也用了这个方案，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
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。
我的项目里也用了这个方案，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。希望对你有帮助。
这个思路很巧妙，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。仅供参考，具体还是要看你的场景。
我的结论恰恰相反：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。实践出真知，建议动手试试。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
补充一点：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。
反对一下，我的测试结果不是这样：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。如果有更好的方案求分享。
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。
有个更优的方案：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。补充一个可能被忽略的点：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。欢迎私信深入交流。
实操中我发现：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。欢迎交流讨论。