以下文章来源于极客开源 ，作者Gemini&Geek

极客开源 .
AGI 技术潮流下，保持极客的思考力。 推荐开源项目，崇尚动手学习。
对 #提示词 进行一些微小的调整，可能会给 #AI辅助编程 的效率和质量带来显著的提升。

1. 使用”魔法词汇”提升模型性能
   当使用 #Anthropic 模型时，在提示词中加入特定的”魔法词汇”可以有效提升模型的 token 处理上限。例如：
   think (思考)think hard (努力思考)think harder (再努力思考)ultrathink (超级思考)
2. 明确角色职责，而非空泛头衔
   在分配角色时，应明确具体地说明其职责、任务和期望的输出格式，而不是仅仅依赖于一个宽泛的头衔。例如，一个不好的示范是：
   ❌ 你是一名资深 UI 工程师，负责构建世界级的、屡获殊荣的前端界面。
   一个更好的示范是：
   ✅ 你是一名 UI 工程师，职责是设计、构建并组织可复用的 UI 组件。你的任务是记录所有用户故事，并且只根据这些用户故事来创建或重构组件。
3. 将背景信息前置，任务指令后置
   将背景信息和情境描述放在提示词的开头，而将具体的任务指令放在结尾。研究表明，#大语言模型（#LLM）会更关注长提示的开头和结尾部分。
   在开头提供关于应用程序、最终用户、产品要解决的问题等细节，有助于模型更好地理解和保存这些关键信息。
   
4. 并非所有指令都需要长篇大论
   当思路卡壳时，一句简单的”让它变得更好”有时会比长篇大论带来更惊艳的效果。
   当不确定时，可以尝试对模型使用苏格拉底式的提问方法，从一个问题开始，比如”你会如何处理这个问题？”。也可以反过来，让模型向你提问。研究表明，这种迭代式的问答有助于获得更精确的输出。
5. 善用”逐步思考”激发模型潜力
   对于成本敏感的场景，可以在提示词的末尾加上”一步一步地思考…”，这能让一些相对便宜的非推理模型（如 gpt 4o, sonnet 3.5）表现出一定的推理能力。
6. 出现问题时，优化提示而非强制修复
   当出现问题时，一个高效的策略是撤销之前的更改，然后通过补充新的上下文信息来更新和优化原始的提示词。从成本角度看，重新开始通常比在错误的道路上反复尝试更划算。
   如果确实需要修复某个错误，应该引导模型去探寻根本原因，而不是只关注表面现象。
   
7. 引导模型进行自我批判与反思
   让模型对其完成的工作进行反思和批判，是填补认知空白的好方法。任务完成后，可以要求它自我审视。有一个很棒的提示词范例：
   请对我的代码库写一份尖锐的批评——指出所有错误、实现不当之处、以及任何不适合生产环境的部分。列出每一个弱点并解释其糟糕之处。然后，撰写一份详细的技术实施计划来修复这些问题。
   之后，便可要求模型执行它自己提出的解决方案。这个方法不宜反复使用，一到两次足矣。
8. 了解并善用不同模型的优势
   根据经验，不同模型的擅长领域如下：
   o3 = 擅长规划、任务分解和调试sonnet 4 = 擅长执行具体、精确的任务gemini 2.5 pro = 在处理线框图或设计稿，以及执行具体任务时表现出色opus 4 = 适用于大型任务或代码重构
   不必畏惧在不同模型间切换，或让多个模型尝试同一个任务。
9. 了解并善用不同平台的优势
   每个 AI 编程平台都有其精心设计的系统提示（system #prompt），它对模型行为的影响甚至超过用户自己的提示。根据经验，不同平台的擅长领域如下：
   lovable/v0 = 构建可靠、一致的前端界面replit = 快速开发 Python 应用和后端cursor/windsurf = 功能全面，尤其适合使用多模型协作和工具调用claude code = 适合从零开始或重构现有代码库
   可以将项目推送到 GitHub，并根据当前任务的需要在不同平台间灵活切换。
   
10. 先分解任务，再执行
    在要求模型执行一项复杂任务前，最好先让它对任务进行分解。直接下达指令，模型可能会在执行过程中偏离目标。可以尝试这样说：
    在开始这项任务之前，请将其分解为最小的组成部分，并列出所有子任务。
    模型输出的子任务列表会成为它的行动纲领，有助于它在执行过程中保持专注，同时也能降低成本。
11. 提供示例是提升表现的关键
    如果对期望的输出有明确的想法，提供具体的示例或代码片段是保证模型表现的最佳方式。
    研究表明，提供示例比微调模型更能提升性能。无论是 API 文档、组件功能、代码风格还是响应格式，一个好的示例胜过千言万语，多个示例效果更佳。
12. 使用模型熟悉的语言进行沟通
    在提供上下文、参考或示例时，使用大语言模型最熟悉的格式可以事半功倍。大多数编程模型都基于海量的 #Markdown 文档和代码库（通常以 #XML 等结构化方式组织）进行训练。
    因此，使用 Markdown 来呈现文档，或使用特定工具（如 gitingest, repomix）将代码库转换为结构化文本，可以显著提高模型的理解能力。
    
13. 综合多个模型的方案以寻找最优解
    将同一个提示词交给不同的模型，然后比较它们的输出，从中寻找”共识”最高、重叠最多的解决方案。
    这可以是一种代码实现的思路，一种 #UI 的#视觉风格，或者一个修复 bug 的方法。通过这种方式，可以博采众长，找到更稳健可靠的前进方向。
    延伸阅读
    大模型应用开发者可能或多或少都了解过 MCP 协议，如果想系统理解并且实战上手开发，推荐这本《MCP协议与大模型集成实战》新书。

本书从协议设计到智能体开发，一本书讲透 MCP 的核心概念与应用机制，帮读者在 AI 大模型开发中灵活管理上下文信息，构建“能控、能扩、能协作”的智能体系统。