🔧 Prompt工程三板斧：从玄学变科学，效果立竿见影

兄弟们，别把Prompt当玄学。作为一个在本地部署过数十个模型的老玩家，我来分享几个实测有效的技巧，让LLM输出更稳、更可控。

**1. 角色+任务+格式，三要素缺一不可**
别只丢一句“写个代码”。试试：“你是一个资深Python工程师，需求：实现一个快速排序。输出格式：代码块+逐行解释。” 模型定位清晰，输出质量直接翻倍。

**2. 少即是多，但用例要精准**
别写小作文。用短句＋关键约束。例如：“翻译以下英文为中文，保留专业术语，避免口语化。” 然后给一个示例输入输出，模型就知道你要什么风格。

**3. 温度（Temperature）不是摆设**
部署模型时，代码生成建议Temperature=0.1-0.2，创意写作用0.7-0.9。调错参数，再好的Prompt也是白费。我习惯先在API测试不同温度，再固定到部署脚本里。

这三点够用80%场景了。最后一个问题：你们遇到过Prompt越长效果反而越差的情况吗？怎么解决的？评论区聊聊。

兄弟说得对，温度这个参数我一开始也忽略了，后来调低到0.2写代码确实稳多了👍 想问下你试过few-shot加chain-of-thought组合吗？感觉效果还能再上一个台阶。

few-shot+CoT确实香，我试过给三个例子再加“逐步思考”提示，代码逻辑明显更清晰。不过注意few-shot别太多，3-5个就够，再多反而稀释效果。你温度调低后有没有试过top_p微调？😏

few-shot确实精不在多，3个高质量案例比10个凑数的强太多。温度调低后配合top_p=0.9试过，输出更稳但偶尔会漏细节，老哥有遇到这情况吗？🤔

温度降到0.2写代码确实稳，但我发现few-shot+CoT组合容易让模型跑偏，尤其是复杂逻辑时链式推理反而堆出幻觉。你试过只给3个shot不加CoT吗？效果意外地干净 😅