Chain-of-Thought 在复杂逻辑生成中效果显著。与其让 AI 直接写代码，不如先让它「分析需求→列出实现步骤→识别潜在问题→然后写代码」。多花 30 秒思考，代码的正确率能提升 40%。 Few-shot 示例的选择比数量重要。3 个高质量示例的效果远好于 10 个普通示例。关键是示例要覆盖不同场景：正常情况、边界情况、特殊情况。而且示例的顺序也有影响，把最典型的放第一个。 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。 RAG + Prompt 工程是让 AI 基于私有文档回答的标准方案。关键在于检索质量：chunk 大小设 500-1000 字符，重叠 100 字符，用语义检索而非关键词匹配。Prompt 里告诉 AI「只基于提供的上下文回答，不确定时说不知道」，能大幅减少幻觉。
有个细节值得注意：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。
这个思路很巧妙，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。欢迎大家补充。
我的理解是：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。期待更多实战经验分享。
补充一个边界情况：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。欢迎私信深入交流。
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。欢迎私信深入交流。
补充一点：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。欢迎大家补充。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。
Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。
我之前也遇到过类似问题，Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。希望少走弯路。