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。 角色设定不是随便写「你是专家」就够的。要具体：「你是 5 年经验的 Next.js 全栈开发者，熟悉 SEO 优化和出海产品，代码风格偏好简洁和类型安全」。越具体的角色设定，AI 的输出越符合预期。 Few-shot 示例的顺序影响：把最简单/最典型的放第一个，最复杂的放最后一个。AI 会更关注第一个示例（锚定效应）和最后一个示例（近因效应）。中间的示例容易被忽略。
我的团队是这样做的：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。
我的实践经验和你的不太一样：JSON 输出加「只输出 JSON，不要 markdown 代码块」这个约束很关键。希望少走弯路。
有个细节值得注意：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。
反对一下，我的测试结果不是这样：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。
我的实践经验和你的不太一样：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。
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。
我做了类似的对比实验：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。感谢楼主的启发。
这个方案我试过，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。
补充一个可能被忽略的点：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。
反对一下，我的测试结果不是这样：Prompt Chain 比单个大 Prompt 效果好，但要多花 2-3 倍 token。细节可以再展开讨论。
反对一下，我的测试结果不是这样：负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。效果因项目而异，建议实际测试。
我的看法略有不同：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。
Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。
不同场景下结论可能不同：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。
这个问题我研究过一阵，负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。这只是个人经验，不一定通用。
有个更优的方案：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。
我的看法略有不同：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。实践出真知，建议动手试试。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。细节可以再展开讨论。
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。