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。 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。 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。 Prompt Chain 是处理复杂任务的利器。比如生成一个完整的 Next.js 页面：第一步 Prompt 生成页面结构，第二步生成 Server Action，第三步生成组件代码，第四步生成测试。每步的输出作为下步的输入，比一个超大 Prompt 效果好得多。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
反对一下，我的测试结果不是这样：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。共同进步。
反对一下，我的测试结果不是这样：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。
Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
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。希望对你有帮助。
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。
我做了类似的对比实验：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。
有个更优的方案：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：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。我也还在探索中。
我的结论恰恰相反：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。细节可以再展开讨论。Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
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。
实操中我发现：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。欢迎交流讨论。
我做了类似的对比实验：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
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。
我之前也遇到过类似问题，Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。一起学习。
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。希望少走弯路。
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。欢迎交流讨论。
说个反直觉的发现：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。这只是个人经验，不一定通用。我调研过这块，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。