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。 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。 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。
这个观点我很认同，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：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。踩了很多坑才总结出来的。
说说我自己的经历：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。
补充一个可能被忽略的点：Prompt 模板用变量占位符 `{{role}}` 管理，比硬编码灵活得多。希望对你有帮助。上周刚好踩了这个坑，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。
我的实践经验和你的不太一样：Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。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，系统提示词里加「不确定时回答不知道」能显著降低幻觉率。欢迎私信深入交流。
我调研过这块，负面指令（「不要用 var」）比正面指令（「用 const」）效果更好。细节可以再展开讨论。
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。
我的团队是这样做的：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。我之前也遇到过类似问题，Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。一起学习。
我做了类似的对比实验：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。
讲个真实案例：Temperature 0.2 适合代码生成，0.7 适合创意写作，SEO 内容用 0.5。这只是个人经验，不一定通用。
反对一下，我的测试结果不是这样：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。
这个思路很巧妙，Few-shot 示例我一般给 3 个，多了反而过拟合，少了不够稳定。有疑问可以继续问。
我调研过这块，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。
我的结论恰恰相反：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。
分享一下我的做法：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。希望少走弯路。
补充一个可能被忽略的点：Prompt 注入防御用 `<system>` 和 `<user>` 标签分层，系统指令放 system 层。后续有新发现再来更新。
说个反直觉的发现：系统提示词里加「不确定时回答不知道」能显著降低幻觉率。后续有新发现再来更新。