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。 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。 元提示词（用 Prompt 生成 Prompt）是个有趣的方向。我让 AI 分析我的需求和现有 Prompt，然后建议优化方案。虽然不能完全替代人工，但能提供意想不到的视角，特别是发现自己盲点的时候。 系统提示词模块化设计：把角色定义、技术栈、代码规范、错误处理策略拆成独立模块，按需组合。类似微服务架构的思路，每个模块职责单一，通过组合适配不同场景。
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。
有个细节值得注意：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。细节可以再展开讨论。
我之前也遇到过类似问题，负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。实践出真知，建议动手试试。
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。仅供参考，具体还是要看你的场景。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。
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。细节可以再展开讨论。
有个相关问题想请教：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。
上周刚好踩了这个坑，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。有疑问可以继续问。
我的团队是这样做的：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。期待更多实战经验分享。
补充一个边界情况：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。
补充一个边界情况：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。
说说我自己的经历：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。
结合我最近的项目经验：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。
这个方案我试过，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。
这个方案我试过，系统提示词里加「不确定时回答不知道」能显著降低幻觉率。感谢楼主的启发。
JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。
有个细节值得注意：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。如果有更好的方案求分享。