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。 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。 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」。
Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
我的看法略有不同：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。期待更多实战经验分享。
我做了类似的对比实验：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。欢迎交流讨论。
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。
分享一下我的做法：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。希望对你有帮助。
这个观点我很认同，Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。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。
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。我也还在探索中。
这个方案我试过，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。感谢楼主的启发。
这个观点我很认同，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。有疑问可以继续问。
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。效果因项目而异，建议实际测试。
我的看法略有不同：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。有疑问可以继续问。
我之前也遇到过类似问题，Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。效果因项目而异，建议实际测试。
有个更优的方案：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。
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。后续有新发现再来更新。
Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
实操中我发现：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。如有不对请指正。
有个细节值得注意：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。细节可以再展开讨论。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。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。