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。
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。
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。
系统提示词的 token 预算要合理分配。我的经验：角色定义 50 token、技术约束 200 token、格式要求 100 token、示例 300 token。总共控制在 650 token 以内，留足空间给用户输入和 AI 输出。长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
我调研过这块，Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
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。如果有更好的方案求分享。
反对一下，我的测试结果不是这样：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。希望少走弯路。
这个思路很巧妙，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。
这个问题我研究过一阵，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。踩了很多坑才总结出来的。
我的结论恰恰相反：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。期待更多实战经验分享。
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。如果有更好的方案求分享。
有个更优的方案：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。细节可以再展开讨论。
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。欢迎交流讨论。
上周刚好踩了这个坑，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。共同进步。
补充一点：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。效果因项目而异，建议实际测试。
我的理解是：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。我也还在探索中。
有个更优的方案：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。踩了很多坑才总结出来的。
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。
我的理解是：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。欢迎交流讨论。
我的团队是这样做的：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。效果因项目而异，建议实际测试。
我的理解是：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。
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。
讲个真实案例：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。踩了很多坑才总结出来的。