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。 AI 生成生产级代码的 Prompt 要点：明确技术栈版本、给出代码规范链接、要求错误处理、要求类型安全、要求添加注释。最重要的是给一个高质量的参考实现作为 few-shot 示例。 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。 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。
这个观点我很认同，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。
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。欢迎大家补充。
我的团队是这样做的：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。后续有新发现再来更新。
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。期待更多实战经验分享。
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。
不同场景下结论可能不同：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。希望少走弯路。
我做了类似的对比实验：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。感谢楼主的启发。
上周刚好踩了这个坑，负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。细节可以再展开讨论。
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。
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。效果因项目而异，建议实际测试。