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。 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。 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。 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%。
我的结论恰恰相反：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。
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。
Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
上周刚好踩了这个坑，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。
结合我最近的项目经验：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。欢迎私信深入交流。
讲个真实案例：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。欢迎私信深入交流。
我的结论恰恰相反：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。欢迎交流讨论。
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。效果因项目而异，建议实际测试。
说个反直觉的发现：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。欢迎交流讨论。
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。
说个反直觉的发现：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
结合我最近的项目经验：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。有疑问可以继续问。
JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。
补充一个可能被忽略的点：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。我的结论恰恰相反：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
我的团队是这样做的：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。仅供参考，具体还是要看你的场景。
我的团队是这样做的：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。期待更多实战经验分享。
分享一下我的做法：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。共同进步。