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。 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。 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。 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%。
Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
补充一个边界情况：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。实践出真知，建议动手试试。
结合我最近的项目经验：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。欢迎交流讨论。
补充一个可能被忽略的点：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。有疑问可以继续问。
有个相关问题想请教：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。希望对你有帮助。
我的踩坑经验：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。共同进步。
我做了类似的对比实验：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。我也还在探索中。
这个思路很巧妙，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。效果因项目而异，建议实际测试。
说个反直觉的发现：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。希望对你有帮助。
负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
我的实践经验和你的不太一样：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。希望少走弯路。
讲个真实案例：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。希望少走弯路。
系统提示词里加「不确定时回答不知道」能显著降低幻觉率。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
补充一个可能被忽略的点：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。欢迎大家补充。