RAG + Prompt 工程是让 AI 基于私有文档回答的标准方案。关键在于检索质量：chunk 大小设 500-1000 字符，重叠 100 字符，用语义检索而非关键词匹配。Prompt 里告诉 AI「只基于提供的上下文回答，不确定时说不知道」，能大幅减少幻觉。 长上下文 Prompt 的信息密度要控制。AI 对上下文的理解不是均匀的，开头和结尾的内容权重更高（首因效应和近因效应）。关键信息放开头，最新指令放结尾，中间放背景资料。 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。
讲个真实案例：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。欢迎大家补充。
这个思路很巧妙，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。
结合我最近的项目经验：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。
我做了类似的对比实验：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。这只是个人经验，不一定通用。系统提示词里加「不确定时回答不知道」能显著降低幻觉率。
我调研过这块，Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。希望少走弯路。
我的项目里也用了这个方案，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。效果因项目而异，建议实际测试。
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。欢迎私信深入交流。这个思路很巧妙，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。
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。细节可以再展开讨论。