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。
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。
Prompt 模板变量设计能让提示词可复用。我用 `{{role}}`、`{{tech_stack}}`、`{{constraints}}` 这种占位符，运行时填充。这样一套模板可以适配不同项目，类似组件化的思路应用到 Prompt 工程。
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%。这个思路很巧妙，长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。效果因项目而异，建议实际测试。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
上周刚好踩了这个坑，Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。踩了很多坑才总结出来的。补充一个边界情况：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。
这个方案我试过，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。
我调研过这块，JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。
Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
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。感谢楼主的启发。
说说我自己的经历：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
说说我自己的经历：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。如果有更好的方案求分享。
我的团队是这样做的：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
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。如果有更好的方案求分享。
这个思路很巧妙，Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。