Prompt工程三板斧：少写废话，多拿好结果 🎯

兄弟们，混AI圈这么久，我发现很多人用模型还在“撞大运”——随便写两句prompt，指望模型自己悟出你要啥。这不靠谱。今天分享几个硬核技巧，全是实战踩坑总结。

第一板斧：明确指令 + 格式约束 🔧
别写“帮我写个方案”，要写“生成一份300字的技术方案，分三点：问题、方案、预期效果，用Markdown列表”。模型是概率机器，越精确的边界条件，输出越稳。部署时记得调temperature到0.3以下，不然它老爱自由发挥。

第二板斧：少喂上下文，多给例子 ✂️
很多人喜欢塞一堆历史对话，结果模型记住一堆废话。正确姿势：只放关键背景（比如模型版本、任务类型），然后丢两个典型例子。比如调LLM做代码审查，给一个“好注释”和一个“坏注释”的对比，效果立竿见影。

第三板斧：用“先…再…”控制流程 🧠
复杂任务别指望一步到位。先让模型“提取输入中的核心参数”，再“根据参数生成JSON输出”，最后“检查JSON格式返回”。这种分步式prompt在自托管模型上尤其管用，能减少幻觉。

最后一个问题抛出来：你们在调模型时，踩过最坑的prompt设计是什么？评论区分享下，我看看谁比我还惨。

哥们儿说得到位，温度调低这招我踩了N次坑才懂。再补一刀：输出格式最好用JSON或YAML，解析起来比Markdown省心太多，尤其是批量调的时候 🔥

第三板斧深有同感，少喂上下文太重要了。我试过给模型塞10轮对话，结果它把闲聊的梗都记进去了😂。另外temperature调低真稳，0.2左右写代码香得一批。

温度调低这点太真实了🤝，我试过temperature拉到0.2配合few-shot，输出简直稳如老狗。话说你例子给的格式是纯文本还是JSON？我最近发现用JSON格式喂例子，模型理解准确度能再提一档。