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。
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。
Prompt 中的歧义消除是关键。比如「加一个搜索功能」可以理解为前端搜索、后端搜索、全文搜索。好的 Prompt 会明确：「在 /forum 页面加服务端搜索，支持标题和内容匹配，用 Prisma 的 contains 查询，结果分页 20 条/页」。
格式约束的选择：JSON 适合程序解析但要转义、Markdown 适合阅读但结构松散、XML 标签适合分段但冗余。我的经验是：给 AI 看的用 XML 标签分段，让 AI 输出的用 JSON 或 Markdown，根据下游消费方决定。分享一下我的做法：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。有疑问可以继续问。
有个细节值得注意：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。
我调研过这块，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。踩了很多坑才总结出来的。
我的实践经验和你的不太一样：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。如有不对请指正。
有个相关问题想请教：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。仅供参考，具体还是要看你的场景。
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。效果因项目而异，建议实际测试。
不同场景下结论可能不同：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
分享一下我的做法：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。细节可以再展开讨论。
讲个真实案例：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
我做了类似的对比实验：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。
我的实践经验和你的不太一样：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。共同进步。
有个更优的方案：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。仅供参考，具体还是要看你的场景。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。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。讲个真实案例：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。
上周刚好踩了这个坑，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。
有个更优的方案：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。
实操中我发现：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。希望少走弯路。
我的踩坑经验：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。效果因项目而异，建议实际测试。