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。 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。 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。
结合我最近的项目经验：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。
有个相关问题想请教：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。实践出真知，建议动手试试。
我的看法略有不同：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。
JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。
这个方案我试过，Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。细节可以再展开讨论。Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。说个反直觉的发现：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。共同进步。不同场景下结论可能不同：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
实操中我发现：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。如果有更好的方案求分享。
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。如果有更好的方案求分享。
从另一个角度看：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。希望对你有帮助。
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。感谢楼主的启发。
实操中我发现：长上下文对话中，每 5 轮总结一次进度能防止 AI 跑偏。欢迎交流讨论。
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。细节可以再展开讨论。
我的项目里也用了这个方案，系统提示词里加「不确定时回答不知道」能显著降低幻觉率。欢迎交流讨论。
说个反直觉的发现：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。期待更多实战经验分享。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。
补充一个边界情况：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。
Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。补充一个边界情况：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。