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。 Prompt 迭代优化的思路和代码优化一样：先让它跑通，再量化和优化。我每次改 Prompt 都会记录：改动点、测试输入、输出质量评分。积累 20-30 组数据后，就能发现哪些改动有效，哪些是噪音。 用 Prompt 驱动 Prisma Schema 设计效果不错。告诉 AI 业务需求（如「用户有多个订阅，订阅有多个订单」），让它生成包含关系、索引、级联删除的完整 Schema。但要检查索引是否合理，AI 偶尔会漏掉查询频繁字段的索引。
从另一个角度看：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。
不同场景下结论可能不同：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。如果有更好的方案求分享。
有个相关问题想请教：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。我也还在探索中。
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。我也还在探索中。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。我的看法略有不同：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。这只是个人经验，不一定通用。
从另一个角度看：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。如有不对请指正。不同场景下结论可能不同：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。期待更多实战经验分享。
我的项目里也用了这个方案，系统提示词里加「不确定时回答不知道」能显著降低幻觉率。我也还在探索中。
这个问题我研究过一阵，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。如有不对请指正。
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。这只是个人经验，不一定通用。
这个观点我很认同，长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
这个观点我很认同，系统提示词里加「不确定时回答不知道」能显著降低幻觉率。效果因项目而异，建议实际测试。
上周刚好踩了这个坑，Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。细节可以再展开讨论。
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。希望对你有帮助。
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。仅供参考，具体还是要看你的场景。
说个反直觉的发现：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。实践出真知，建议动手试试。
说说我自己的经历：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。仅供参考，具体还是要看你的场景。
我的结论恰恰相反：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
这个观点我很认同，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。