Prompt 工程实战：代码生成的5个层次

你有没有遇到过这种场景：同事用 AI 写出了优雅、可维护的代码，而你用同一个工具，得到的是一堆需要大改的垃圾——明明用的是同款模型？

差距不在工具，在 Prompt。

我在过去几个月里，系统性地测试了 Cursor、GitHub Copilot、Claude、GPT-4 等 AI 编程工具，总结出了一套代码生成 Prompt 的5个层次。从”勉强能用”到”超出预期”，每一层都有具体的技巧和模板。

---

第0层：随手一问（大多数人停留在这里）

帮我写一个登录函数

这是最常见的 Prompt 写法。结果通常是：

• 语言/框架不对（Python写了，但你用的是Node.js）
• 缺少错误处理
• 密码明文存储（安全炸弹）
• 变量命名像随机字符串

问题根源：AI 没有上下文，只能靠猜。猜对了是运气，猜错了是你的损失。

---

第1层：给出基本上下文

好的 Prompt 首先要回答三个问题：技术栈是什么？输入输出是什么？有什么约束？

用 Node.js + Express 写一个用户登录接口。
输入：POST /api/login，body 包含 email 和 password
输出：返回 JWT token，有效期24小时
要求：密码用 bcrypt 对比，失败返回 401 错误

加了上下文之后，AI 生成的代码立刻从”可能能用”变成了”基本能用”。

提升技巧：

• 明确技术栈版本（Node 18, React 18, Python 3.11）
• 描述清楚输入输出格式
• 列出不可协商的约束条件

---

第2层：注入代码风格和项目规范

同一个功能，在不同团队里有完全不同的写法。AI 默认给你的是它训练数据里的”平均风格”，而不是你项目的风格。

方法一：提供现有代码片段作为风格参考

参考以下现有代码的风格写一个新的 userService：

// 现有 orderService.ts 示例
export class OrderService {
  constructor(private readonly db: Database) {}
  
  async findById(id: string): Promise<Order | null> {
    try {
      return await this.db.query('SELECT * FROM orders WHERE id = ?', [id]);
    } catch (error) {
      logger.error('findById failed', { id, error });
      throw new ServiceError('ORDER_NOT_FOUND');
    }
  }
}

请用相同的模式实现 UserService，包含 findByEmail 和 updateProfile 方法。

方法二：在 Cursor 中使用 .cursorrules 文件

在项目根目录创建 .cursorrules，AI 会自动遵守：

# 项目约定
- 使用 TypeScript strict 模式
- 所有异步函数必须有 try/catch
- 错误统一用 AppError 类抛出，不直接 throw Error
- 日志用 logger.info/error，不用 console.log
- 函数命名：动词+名词（getUserById, createOrder）

这一层的核心：让 AI 融入你的项目，而不是让你的项目适应 AI 的输出。

---

第3层：分解复杂任务 + 渐进式构建

很多人拿到一个复杂需求，直接让 AI “一口气写完”，结果往往是一个看起来完整、实际上漏洞百出的代码块。

正确做法：把大任务拆成小步骤，逐步验证。

以”实现一个购物车模块”为例：

❌ 错误做法：

帮我实现一个完整的购物车功能，包括添加商品、删除商品、修改数量、计算总价、应用优惠券、结算……

✅ 正确做法（分步骤）：

步骤1：
先帮我定义购物车的数据结构（TypeScript interface），
包含：商品列表、总数量、总价，先不考虑优惠券。

（验证数据结构合理后继续）

步骤2：
基于上面的 CartItem 接口，实现 addItem 和 removeItem 方法，
需要处理商品已存在时数量+1的情况。

（测试通过后继续）

步骤3：
现在加入优惠券逻辑。支持两种类型：
- 固定折扣（discount: fixed，扣减固定金额）
- 百分比折扣（discount: percentage，按比例打折）
在已有的 CartService 基础上扩展，不要重写现有方法。

分步骤的好处：

1. 每一步都可以验证，错误被隔离
2. 后续步骤可以基于已验证的代码继续
3. AI 的注意力集中在小任务上，质量更高

---

第4层：角色设定 + 思维链激活

这一层进入”高阶玩家”区域。通过角色设定，让 AI 以专家视角审视代码；通过思维链，让 AI 先分析再动手。

角色设定示例：

你是一位有10年经验的后端架构师，特别关注代码的可维护性和安全性。

请帮我 Review 以下登录接口代码，从以下维度给出具体意见：
1. 安全漏洞（SQL注入、XSS、暴力破解防护）
2. 错误处理是否完善
3. 性能隐患（N+1查询、缺少缓存）
4. 可维护性（命名、注释、模块化）

然后给出修改后的完整代码。

[粘贴你的代码]

思维链激活（在要求 AI 生成复杂代码前，先让它分析）：

我需要实现一个高并发的秒杀系统。

在写代码之前，请先：
1. 分析主要的技术难点（超卖问题、数据库压力、请求洪峰）
2. 提出3个可行的技术方案并比较优劣
3. 推荐最适合中小团队的方案，说明理由

然后再实现你推荐的方案。

这种方式让 AI 先”想明白”再动手，而不是盲目输出代码。质量提升非常显著。

---

第5层：迭代优化 + 测试驱动

最高层次是把 AI 当成一个协作伙伴，进入真正的迭代开发循环。

模式一：TDD with AI（测试驱动开发）

先让 AI 写测试，再让它写实现，再让它对比是否通过：

第一步：为以下函数规格写 Jest 测试用例（不要写实现）：

函数名：calculateDiscount
输入：originalPrice(number), discountCode(string)
规格：
- 代码 "SAVE10" 打9折
- 代码 "SAVE20" 打8折
- 无效代码返回原价
- 价格不能为负数，否则抛出 Error

（获得测试用例后）

现在基于以上测试用例，实现 calculateDiscount 函数，
确保所有测试能通过。

模式二：代码互相审查

生成代码后，换一个角度让 AI 挑自己的毛病：

以下是你刚才生成的代码。
现在请扮演一个严格的 Code Reviewer，找出至少3个可以改进的地方，
并给出改进后的版本。

---

汇总：5层 Prompt 对比

层次	特征	代码质量	适用场景
第0层	无上下文	能跑但需大改	学习/探索
第1层	技术栈+输入输出	基本可用	日常开发
第2层	风格规范+项目约定	符合项目标准	团队协作
第3层	分步骤渐进构建	高质量，可维护	复杂功能
第4层	角色+思维链	专家级审视	架构设计/Review
第5层	TDD+迭代优化	接近生产可用	核心模块

---

写在最后

AI 编程工具本质上是一个能力放大器。你输入的 Prompt 质量决定了它能把你放大多少倍。

停留在第0层的人，只是用 AI 代替了 Google 搜索；到达第5层的人，已经在用 AI 构建真实产品。

这5个层次不是要你每次都写长篇 Prompt——而是根据任务复杂度，选择合适的层次。简单的代码片段用第1层就够了；设计核心模块时，花5分钟写一个第4层的 Prompt，省下的是5小时的 Debug 时间。

---

你现在常用第几层？欢迎在评论区聊聊你的 Prompt 技巧 👇

本文是「AI + 编程」系列第4篇，系列持续更新中。上一篇：OpenCode 完全使用指南