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。 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 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。
我的理解是：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。共同进步。
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。如有不对请指正。
分享一下我的做法：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。希望少走弯路。
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。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
这个观点我很认同，系统提示词里加「不确定时回答不知道」能显著降低幻觉率。效果因项目而异，建议实际测试。
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。踩了很多坑才总结出来的。
我的团队是这样做的：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。期待更多实战经验分享。
我的理解是：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。感谢楼主的启发。
分享一下我的做法：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。感谢楼主的启发。
Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
这个问题我研究过一阵，长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。期待更多实战经验分享。
我的踩坑经验：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。如有不对请指正。
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。
有个细节值得注意：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。踩了很多坑才总结出来的。
这个观点我很认同，长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
有个更优的方案：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。希望少走弯路。
我的踩坑经验：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。欢迎私信深入交流。Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
上周刚好踩了这个坑，Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。