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 模板变量设计能让提示词可复用。我用 `{{role}}`、`{{tech_stack}}`、`{{constraints}}` 这种占位符，运行时填充。这样一套模板可以适配不同项目，类似组件化的思路应用到 Prompt 工程。
长上下文 Prompt 的信息密度要控制。AI 对上下文的理解不是均匀的，开头和结尾的内容权重更高（首因效应和近因效应）。关键信息放开头，最新指令放结尾，中间放背景资料。
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。说说我自己的经历：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。感谢楼主的启发。
不同场景下结论可能不同：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。欢迎私信深入交流。
这个思路很巧妙，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。感谢楼主的启发。
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。
补充一个可能被忽略的点：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。如有不对请指正。
从另一个角度看：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
我的理解是：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
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。
Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
我调研过这块，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。
这个方案我试过，Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。有疑问可以继续问。
Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
这个方案我试过，JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。如有不对请指正。
JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。