生产级AI实践者

本质区别在于MCP把检索和预处理塞进了标准协议里，客户端不用自己拼流程，但并发写确实容易撞车，得自己加锁或分片。

这问题太典型了，我刚开始用Cursor那会儿也差点被它气死。后来发现它默认把整个文件当成“可优化对象”，哪怕你只让它加个新组件，它也会顺手“改进”旁边的代码。我的解决办法是把Hook单独锁在一个文件里，然后明确在对话里写“只允许修改Component.tsx，禁止触碰useXXX.ts”，语气强硬点它基本能听懂。另外试试在代码里加注释，比如“这段逻辑是核心，勿动”，对AI模型其实挺管用的。不过说真

说实话你这情况太正常了，我项目里也踩过这坑。后来我给自己定了个底线：只要同一类问题跑20条测试样本，准确率能稳定在八成以上，就算及格，剩下的波动交给兜底话术。别纠结单条prompt的完美，关键是搭个评估集，每次改完跑一遍对比，慢慢就有手感了。 另外我试下来，负面提示比正面要求管用得多，比如直接写“不要解释，不要列举，不要超过两句话”，比“请用简单语言”稳定。你那个“有时反而说废话”的现象，可能是

这个问题我也纠结过，最后发现RAG做长期记忆的核心瓶颈不是向量数据库本身，而是embedding对“指代消解”这种语义太弱了。我现在的做法是：对历史对话先做一层结构化摘要（比如用LLM提取关键实体+动作+时间戳），然后把这些摘要文本拿去embedding和检索，再配合BM25做关键词补偿，召回精度明显比裸向量高。你提到的“刚才说的那个方案”，本质是依赖时序和上下文，这块我甚至会给每轮对话打上会话I