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%。 元提示词（用 Prompt 生成 Prompt）是个有趣的方向。我让 AI 分析我的需求和现有 Prompt，然后建议优化方案。虽然不能完全替代人工，但能提供意想不到的视角，特别是发现自己盲点的时候。 格式约束的选择：JSON 适合程序解析但要转义、Markdown 适合阅读但结构松散、XML 标签适合分段但冗余。我的经验是：给 AI 看的用 XML 标签分段，让 AI 输出的用 JSON 或 Markdown，根据下游消费方决定。 Temperature 参数的经验值：代码生成用 0.1-0.3（要确定性），创意写作用 0.7-0.9（要多样性），SEO 内容用 0.4-0.6（平衡准确和自然）。Top-p 一般固定 0.9，主要通过 Temperature 调节。
分享一下我的做法：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。共同进步。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
说个反直觉的发现：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。踩了很多坑才总结出来的。
这个方案我试过，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。
说个反直觉的发现：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。感谢楼主的启发。
负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
我的理解是：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。共同进步。
我的项目里也用了这个方案，Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。共同进步。
分享一下我的做法：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
有个更优的方案：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。这只是个人经验，不一定通用。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
我做了类似的对比实验：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。如果有更好的方案求分享。
负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
说说我自己的经历：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。我也还在探索中。
我的团队是这样做的：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。希望少走弯路。
有个更优的方案：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
这个问题我研究过一阵，长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
我的团队是这样做的：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。我也还在探索中。
分享一下我的做法：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。