上下文窗口管理是个技术活。长对话中 AI 容易「遗忘」早期设定。我的做法是：把关键约束放在系统提示词里（永久），而不是对话中（会被截断）。每轮对话结束时，主动总结当前进度和待办事项，帮助 AI 保持上下文。 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。 AI 生成生产级代码的 Prompt 要点：明确技术栈版本、给出代码规范链接、要求错误处理、要求类型安全、要求添加注释。最重要的是给一个高质量的参考实现作为 few-shot 示例。
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。仅供参考，具体还是要看你的场景。
反对一下，我的测试结果不是这样：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。有疑问可以继续问。
我调研过这块，长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。欢迎交流讨论。
反对一下，我的测试结果不是这样：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。我也还在探索中。
我的实践经验和你的不太一样：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。期待更多实战经验分享。
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。仅供参考，具体还是要看你的场景。
不同场景下结论可能不同：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。有疑问可以继续问。这个问题我研究过一阵，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。
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。实践出真知，建议动手试试。
不同场景下结论可能不同：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。希望少走弯路。
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。欢迎大家补充。