你用AI写代码，是"让我帮你写个函数"，还是"这是我的项目结构，我需要..."？同样的AI，有人用来写脚手架代码，有人用来解决复杂架构问题。差距不在AI，在你怎么跟它说话。
作为一个每天用AI编程超过6小时的人，我把过去几个月踩过的坑和总结的经验整理成了8个实用技巧。每个技巧都有 Before/After 对比，看完就能直接用。
技巧1：给足上下文（最重要的一条）
AI不是读心术大师。你给的信息越少，它猜的越多，猜的越多，错的越多。
❌ Before（模糊提问）
帮我写一个用户登录的函数
AI会给你一个"通用版"登录函数——没有你的技术栈、没有你的数据库、没有你的认证方式。
✅ After（结构化上下文）
技术栈：Python + FastAPI + SQLAlchemy + PostgreSQL
当前项目结构：
- models/user.py：已有User模型，字段包括id, email, hashed_password, is_active
- auth/: 认证相关模块
- 我使用bcrypt做密码哈希，JWT做token
请帮我写一个登录接口 /auth/login：
- 接收email和password
- 验证密码（用passlib的verify）
- 返回JWT token（有效期24小时）
- 处理用户未激活的情况，返回403
结果？AI直接给出和项目完美匹配的代码，包括正确的import、错误处理、状态码。
关键原则：告诉AI它需要知道的一切，包括你"以为它知道"的信息。
技巧2：分步拆解（不要一次提大需求）
很多人喜欢把一个大需求一口气扔给AI，然后发现结果一塌糊涂。
❌ Before（一次性大需求）
帮我做一个电商系统的后台管理，包括商品管理、订单管理、用户管理、权限管理、数据统计
AI会给你一个四不像——每个模块都只有骨架，哪个都不能用。
✅ After（分步拆解）
第1轮：
我要做一个电商后台管理系统，使用 React + TypeScript + Ant Design + Express。
请帮我规划一下数据库表结构，先从商品模块开始：
- 商品（名称、价格、库存、分类、状态）
- 商品分类（树形结构）
- 商品图片（多图关联）
第2轮：
好的，数据库设计没问题。现在帮我写商品分类的后端API：
- GET /api/categories：获取分类树
- POST /api/categories：创建分类
- PUT /api/categories/:id：更新分类
- DELETE /api/categories/:id：删除分类（有子分类时不允许删除）
第3轮：
现在帮我写前端页面。商品分类管理页面需要：
- 左侧树形菜单展示分类
- 右侧表格展示当前分类下的商品
- 支持拖拽排序
- 支持搜索和筛选
每一步的结果都成为下一步的输入，AI的理解越来越精确。
技巧3：错误驱动（贴报错信息让AI修）
这是最高效的debug方式——AI见过无数人的错误，你的报错它大概率认识。
❌ Before（描述问题）
我的代码报错了，登录功能不能用，帮我看看哪里有问题
✅ After（贴完整报错）
运行以下代码时报错：
```python
@app.post("/login")
async def login(email: str, password: str):
user = await User.filter(email=email).first()
if not user:
raise HTTPException(404, "用户不存在")
if not verify_password(password, user.password):
raise HTTPException(401, "密码错误")
return {"token": create_token(user.id)}
报错信息：
TypeError: verify_password() missing 1 required positional argument: 'hashed_password'
User模型的password字段定义：
password = Column(String(255), nullable=False)
环境：passlib==1.7.4, bcrypt==4.0.1
贴报错信息的三个要素：
1. **代码片段**（出问题的那部分）
2. **完整报错信息**（不要只说"报错了"）
3. **相关上下文**（环境版本、模型定义等）
---
## 技巧4：先写测试，再让AI实现（TDD式AI编程）
这个技巧来自测试驱动开发（TDD），用在AI编程上效果奇好。
### ❌ Before（直接让AI实现）
帮我写一个字符串工具类，包含驼峰转下划线、下划线转驼峰、首字母大写等功能
AI写的代码可能有问题，但你不知道。
### ✅ After（先写测试用例）
请帮我写以下函数的测试用例（使用pytest）：
函数1：camel_to_snake("helloWorld") → "hello_world" 函数2：camel_to_snake("HTTPResponseCode") → "http_response_code" 函数3：camel_to_snake("already_snake") → "already_snake" 函数4：snake_to_camel("hello_world") → "helloWorld" 函数5：snake_to_camel("http_response_code") → "HttpResponseCode" 函数6：to_title_case("hello world") → "Hello World"
边界情况：
- 空字符串
- 全大写缩写（XMLHttpRequest → xml_http_request）
- 连续下划线（hello__world → hello_world）
测试通过后，你就有信心了。测试没通过？AI自己就能根据测试结果修正代码。
**更高级的用法：让AI同时写实现和测试，然后让它自己跑测试。**
请实现上面的字符串工具类，同时写完整的pytest测试。 要求：
- 先写测试，再写实现
- 运行测试，确保全部通过
- 测试覆盖所有边界情况
---
## 技巧5：用 @file 引用代码（不要复制粘贴）
当你的项目代码很长时，直接粘贴不仅麻烦，还会超出上下文窗口。现代AI工具都支持文件引用。
### ❌ Before（复制粘贴）
这是我的 user_service.py 的全部代码（500行）： [粘贴500行代码]
请帮我优化数据库查询性能
### ✅ After（文件引用）
**在 Cursor / Cline / Claude Code 中：**
@models/user.py @services/user_service.py @tests/test_user.py
帮我优化 user_service.py 中的数据库查询：
- N+1查询问题
- 不必要的字段加载
- 缺少索引的查询条件
注意：这是Django项目，使用ORM
文件引用的优势：
- **不浪费token**：AI只读取需要的文件
- **保持格式**：不会因为复制粘贴丢失缩进
- **可以引用多个文件**：让AI看到完整上下文
- **随时更新**：AI读取的是最新版本
---
## 技巧6：角色扮演（让AI进入专家模式）
给AI设定一个角色，它的回答质量会显著提升。这不是玄学——系统提示词确实会引导模型的输出风格和专业度。
### ❌ Before（无角色）
帮我设计一个微服务架构
### ✅ After（专家角色）
你是一位有15年经验的后端架构师，擅长高并发系统设计，主导过日活千万的互联网产品架构。
我需要设计一个外卖平台的订单系统：
- 预期QPS：5000
- 需要支持：下单、支付、退款、评价
- 第三方集成：微信支付、支付宝
- 数据一致性要求：不能超卖
请给出：
- 整体架构图（用文字描述组件关系）
- 服务拆分方案
- 数据库设计
- 关键技术选型及理由
- 需要特别注意的坑
常用的专家角色：
- **"资深Go工程师"** → 写出地道的Go代码
- **"安全审计专家"** → 发现代码中的安全漏洞
- **"性能优化专家"** → 给出高效的算法和数据结构
- **"技术Leader"** → 从架构角度给出建议
- **"代码洁癖的工程师"** → 写出最干净整洁的代码
---
## 技巧7：否定指令（告诉AI"不要做什么"）
有时候"不要做什么"比"要做什么"更重要。
### ❌ Before（只说要做的事）
帮我写一个Python爬虫，抓取豆瓣电影Top250
AI可能给你用 requests + BeautifulSoup，但你的项目用的是 Scrapy。
### ✅ After（加上约束条件）
帮我写一个爬虫抓取豆瓣电影Top250，要求：
✅ 必须做的：
- 使用 Scrapy 框架
- 支持断点续爬
- 数据保存到MongoDB
- 每个请求间隔2-5秒随机延迟
❌ 不要做的：
- 不要使用 requests 或 BeautifulSoup（项目统一用Scrapy）
- 不要硬编码URL，用settings配置
- 不要在pipeline中做数据清洗（交给单独的pipeline处理）
- 不要使用同步方式写入MongoDB（用motor异步驱动）
**否定指令的核心原则：排除你知道的"错误答案"，缩小AI的选择空间。**
---
## 技巧8：迭代优化（第一版 → Review → 第二版）
不要指望AI一次给你完美答案。好的做法是：快速出第一版 → 自己Review → 反馈给AI优化 → 第二版。
### 实战演示
**第1轮：快速出初稿**
帮我写一个中间件，记录所有API请求的日志，包括：请求时间、响应时间、状态码、请求路径
**Review初稿后，发现几个问题：**
- 没有记录请求参数
- 没有记录用户信息
- 性能敏感的路径也需要记录（比如健康检查）
**第2轮：精准反馈**
初稿不错，但需要以下改进：
- 加上请求参数的记录（GET的query params和POST的body，但密码字段要脱敏）
- 加上当前用户ID（从JWT token中提取）
- 排除 /health 和 /metrics 路径，不需要记录
- 日志格式改为JSON，方便ELK收集
- 响应时间超过1秒的标记为WARN级别
**第3轮：最终打磨（可选）**
再加两个功能：
- 请求ID追踪（X-Request-ID header）
- 敏感字段列表做成配置，不要硬编码
**迭代的关键：每一轮的反馈越具体，AI的改进越精准。**
---
## 8个技巧速查表
| 技巧 | 一句话总结 | 收益 |
|------|-----------|------|
| 1. 给足上下文 | 告诉AI你的技术栈、项目结构、已有代码 | 代码可用率 60% → 90% |
| 2. 分步拆解 | 大需求拆成小任务，逐个击破 | 复杂任务成功率翻倍 |
| 3. 错误驱动 | 贴报错信息，让AI精准修复 | Debug效率提升10倍 |
| 4. 先写测试 | 用测试用例定义预期行为 | 代码质量有保障 |
| 5. @file引用 | 引用文件代替复制粘贴 | 节省token，保持上下文完整 |
| 6. 角色扮演 | 给AI设定专家角色 | 回答专业度和深度提升 |
| 7. 否定指令 | 明确告诉AI"不要做什么" | 避免方向性错误 |
| 8. 迭代优化 | 快速初稿 → Review → 精准反馈 | 最终代码质量接近手写 |
---
## 我的终极Prompt模板
把以上技巧组合起来，这是我日常用的高质量Prompt模板：
角色
你是一位资深 [语言/框架] 工程师，有10年开发经验。
任务
[具体要做什么，一句话说明]
技术栈
- 语言：[Python/Java/Go/...]
- 框架：[FastAPI/Spring Boot/Gin/...]
- 数据库：[PostgreSQL/MySQL/Redis/...]
- 其他：[Docker/Kubernetes/...]
项目上下文
[相关文件引用或代码片段]
具体要求
✅ 必须满足：
- [要求1]
- [要求2]
❌ 不要做：
- [禁止1]
- [禁止2]
输出格式
[期望的输出格式：纯代码/带注释/带测试/带文档]
---
## 写在最后
AI编程不是"把需求扔给AI然后等结果"。**Prompt的质量直接决定了代码的质量。**
这8个技巧的本质其实就一句话：**把AI当作一个能力很强但完全不了解你项目的同事——你需要给它足够的上下文、明确的方向、及时的反馈。**
当你的Prompt水平上来了，你会发现AI编程的效率真的能翻倍。不只是写代码快了，更重要的是写出来的代码质量更高、bug更少、更符合项目规范。
**试试把这些技巧用在你的下一次AI编程中，效果立竿见影。**
---
> 📌 **关注我，「AI工具提效实战指南」系列持续更新中。明天聊：API费用从500降到20——AI编程省钱完全指南。**
