零样本提示（Zero-Shot Prompting） vs 少样本提示（Few-Shot Prompting）
零样本提示指在不提供任何示例的情况下要求模型执行任务。你依赖模型的通用训练知识来完成任务。这是大多数提示的默认方式：你直接陈述请求，AI仅基于其“掌握”的知识和对提示的理解生成答案。当任务常见或描述清晰时，零样本提示高效且有效。例如：“将以下句子翻译成西班牙语：‘I am learning to code.’”
即为零样本提示——直接指令，AI运用自身知识作答（无需示例）。
少样本提示指在提示中提供少量示例或演示，向AI明确展示你期望的格式或风格。本质上，你通过提示中的示例进行教学。当任务特殊或需特定格式时，此方法能显著提升输出质量。少样本提示示例如下：
修正以下句子的语法：
输入：“the code not working good” → 输出：“The code is not working well.”
输入：“API give error in login” → 输出：“The API gives an error during login.”
当前输入：“user not found in database” → 输出：
通过提供两组输入-输出示例，AI会自动延续相同模式处理第三组输入。当需要特定响应风格时（如按固定格式编写代码注释或提交示例），少样本提示非常实用。虽然它会消耗更多提示令牌（因包含示例），但通常能产出更一致的结果。
何时使用哪种方式：
对于简单任务或你信任模型内置能力时，优先尝试零样本提示。若结果不符合预期格式或深度，再通过添加示例切换为少样本提示。
例如：若要求生成函数但输出未遵循你的风格偏好，可展示一个符合要求的函数示例并重新提示。少样本提示在复杂输出场景中优势显著（如编写测试用例——先提供一个测试样例，再要求生成更多）。
总结：零样本适用于快速直接应答，少样本适用于需控制风格或复杂指令的场景。
管理幻觉（Hallucinations）并确保准确性
AI的 **“幻觉”** 指模型自信地编造错误信息或代码的现象。幻觉可能表现为：调用不存在的函数、调用未实现的API，或在摘要中虚构细节。虽然无法完全消除此问题（这是AI的固有限制），但可通过以下提示策略降低风险：
提供基础数据（Providing Grounding Data）
提供的可靠上下文越多，AI越少依赖猜测。务必利用项目知识库（Knowledge Base）。将产品需求文档（PRD）、用户流程、技术栈等纳入项目上下文，使AI的回答基于应用的具体事实。例如：若应用使用特定库或定义数据模型，将其加入知识库可避免AI编造内容。提示内引用（In-Prompt References）
当询问事实性问题或涉及外部系统的代码时，附上相关文档片段或数据。例如：“使用下方API响应格式解析用户对象… [附小型JSON示例]”
向AI展示真实数据或文档，可减少其虚构函数或字段的可能性。要求分步推理（Asking for Step-by-Step Reasoning）
当怀疑AI可能随意编造时，要求其展示推理过程。例如在聊天模式中：“在给出最终代码前，先说明解决方案思路。若存在不确定性，请明确指出。”
此类思维链提示（chain-of-thought prompting）迫使AI自我检查，可发现错误或至少在推理中暴露问题。指令诚实原则（Instructing Honesty）
在提示中加入规则：“若不确定事实或正确代码，请勿编造——应说明所需条件或请求澄清。”
高级模型通常遵循此类指令（可能回复“我不确定，但假设X…”而非直接给出错误答案）。虽非绝对可靠，但可减少自信的错误输出。迭代验证（Iterative Verification）
AI给出关键答案后（如计算、重要事实或复杂代码），增加验证步骤。例如：“确认上述代码是否符合需求，并解释任何可能不符合规范的部分。”
此提示使AI复核自身输出，常能发现偏离指令的情况。
幻觉还可能表现为AI创建未要求的文件/组件或进行非预期的“创意发挥”。务必对AI生成的代码进行合理性审查。若出现过度“神奇”或反常的结果，请质疑其正确性。通过上述策略管理幻觉，可确保项目控制力和结果准确性。
善用模型特性（Leveraging Model Insights）
并非所有AI模型相同，同一模型在不同设置下行为也可能不同。
令牌长度与响应（Token Length and Responses）
注意响应长度限制。若请求超大输出（如完整模块代码），AI可能因令牌超限而截断或逻辑混乱。此时应拆分任务（如“一次生成一个函数代码”）。若Lovable的提示界面显示截断警告，即表示需请求剩余部分或分解任务。格式与代码偏好（Formatting and Code Preferences）
若在提示中明确要求，AI可适配你的格式偏好。例如：“以Markdown格式输出代码”或“遵循项目ESLint规则”
除非在上下文中提供风格指南，否则AI无法自动知晓你的规范。若偏好特定命名约定或模式，需在提示中说明（这是“明确性”的一部分）。随着AI持续接触项目中的统一风格，会逐渐模仿——但在提示中温和提醒可加速对齐。
总结
将AI视为强大但刻板的工具。理解你交互的模式与模型特性，始终设计提示以发挥其优势（结构化、细节化的输入），同时防范其弱点（易遗忘、冗长、幻觉）。