Few-shot 示例的选择比数量重要。3 个高质量示例的效果远好于 10 个普通示例。关键是示例要覆盖不同场景：正常情况、边界情况、特殊情况。而且示例的顺序也有影响，把最典型的放第一个。 系统提示词设计的核心是「约束明确、格式清晰、角色具体」。我总结了一个模板：先定义角色（你是 Next.js 全栈专家），再列约束（必须用 App Router、禁止 class component），最后给格式要求（输出 markdown、代码块标注语言）。这样 AI 的输出可用率能稳定在 90% 以上。 系统提示词模块化设计：把角色定义、技术栈、代码规范、错误处理策略拆成独立模块，按需组合。类似微服务架构的思路，每个模块职责单一，通过组合适配不同场景。 降 AI 率的关键不是事后改写，而是从 Prompt 层面就让 AI 模仿人类写作风格。我会在 Prompt 里加「使用口语化表达、偶尔出现不完美的语法、加入个人主观判断、避免过度结构化的排比句式」，生成的内容 AI 检测率能从 95% 降到 30% 以下。
上周刚好踩了这个坑，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。踩了很多坑才总结出来的。
反对一下，我的测试结果不是这样：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。感谢楼主的启发。
我的看法略有不同：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。如有不对请指正。
我调研过这块，负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。一起学习。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。我之前也遇到过类似问题，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。
有个相关问题想请教：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
有个更优的方案：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。
讲个真实案例：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。希望少走弯路。
有个细节值得注意：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。这只是个人经验，不一定通用。
有个相关问题想请教：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。欢迎大家补充。
我的团队是这样做的：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。
结合我最近的项目经验：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。希望少走弯路。
实操中我发现：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。有疑问可以继续问。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。不同场景下结论可能不同：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。如果有更好的方案求分享。
这个观点我很认同，Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。一起学习。
我的看法略有不同：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。如有不对请指正。