RAG + Prompt 工程是让 AI 基于私有文档回答的标准方案。关键在于检索质量：chunk 大小设 500-1000 字符，重叠 100 字符，用语义检索而非关键词匹配。Prompt 里告诉 AI「只基于提供的上下文回答，不确定时说不知道」，能大幅减少幻觉。 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 A/B 测试的方法：准备 20-30 个测试输入，用两个 Prompt 版本分别生成，人工评分或用自动化指标（如代码通过率）。统计显著性需要至少 30 个样本，否则可能是噪音。 AI 生成 Tailwind 组件的 Prompt 要点：指定响应式断点、颜色主题、无障碍要求、暗色模式支持。给一个 Shadcn UI 的组件作为参考示例，生成的代码质量和一致性会高很多。
我的实践经验和你的不太一样：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。欢迎大家补充。这个方案我试过，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。欢迎大家补充。
我的项目里也用了这个方案，Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。共同进步。Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
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。
分享一下我的做法：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。有疑问可以继续问。
我做了类似的对比实验：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
结合我最近的项目经验：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。如果有更好的方案求分享。
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。有疑问可以继续问。
不同场景下结论可能不同：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
我的项目里也用了这个方案，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。
有个更优的方案：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。欢迎大家补充。
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。仅供参考，具体还是要看你的场景。
补充一个可能被忽略的点：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。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：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。期待更多实战经验分享。
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。如果有更好的方案求分享。
我的理解是：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。
补充一点：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。感谢楼主的启发。
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。效果因项目而异，建议实际测试。