Prompt 中的歧义消除是关键。比如「加一个搜索功能」可以理解为前端搜索、后端搜索、全文搜索。好的 Prompt 会明确：「在 /forum 页面加服务端搜索，支持标题和内容匹配，用 Prisma 的 contains 查询，结果分页 20 条/页」。 系统提示词设计的核心是「约束明确、格式清晰、角色具体」。我总结了一个模板：先定义角色（你是 Next.js 全栈专家），再列约束（必须用 App Router、禁止 class component），最后给格式要求（输出 markdown、代码块标注语言）。这样 AI 的输出可用率能稳定在 90% 以上。 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。 Prompt A/B 测试的方法：准备 20-30 个测试输入，用两个 Prompt 版本分别生成，人工评分或用自动化指标（如代码通过率）。统计显著性需要至少 30 个样本，否则可能是噪音。
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。
从另一个角度看：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。踩了很多坑才总结出来的。
这个方案我试过，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。踩了很多坑才总结出来的。
补充一点：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。踩了很多坑才总结出来的。
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。
我做了类似的对比实验：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。共同进步。
补充一点：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。
补充一个可能被忽略的点：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。
补充一个可能被忽略的点：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，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。
说个反直觉的发现：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。踩了很多坑才总结出来的。
结合我最近的项目经验：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。
有个细节值得注意：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。
我的看法略有不同：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。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
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。效果因项目而异，建议实际测试。
我的实践经验和你的不太一样：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。希望对你有帮助。
这个思路很巧妙，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。实践出真知，建议动手试试。
从另一个角度看：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。共同进步。