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%。 降 AI 率的关键不是事后改写，而是从 Prompt 层面就让 AI 模仿人类写作风格。我会在 Prompt 里加「使用口语化表达、偶尔出现不完美的语法、加入个人主观判断、避免过度结构化的排比句式」，生成的内容 AI 检测率能从 95% 降到 30% 以下。 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。 负面指令在 Prompt 中非常重要。告诉 AI「不要用 var」「不要用 any 类型」「不要用 Pages Router」比只说「用 const」「用具体类型」「用 App Router」效果更好。AI 更容易遵守「禁止 X」而非「应该 Y」。
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：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。希望对你有帮助。
Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
我调研过这块，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
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。感谢楼主的启发。
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。
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。
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。
这个观点我很认同，长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
我的结论恰恰相反：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
我的踩坑经验：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。如有不对请指正。
有个相关问题想请教：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。如有不对请指正。
说说我自己的经历：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。这只是个人经验，不一定通用。
不同场景下结论可能不同：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。仅供参考，具体还是要看你的场景。
有个相关问题想请教：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。
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。如有不对请指正。
说说我自己的经历：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。
JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。
Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。