AI工程：回归提示词本质

参考文章：https://mp.weixin.qq.com/s/PRLrVURRycKOhnFOGGdJYA

一、单人日常开发

适用场景： 小需求/小改动（如加字段、改配置、简单接口）

核心思路： 跳过冗余流程，直接用「自然语言 + AI」完成。

原架构需要 15 分钟，优化后只需 5 分钟。

高效 5 步法

1. 直接下达自然语言指令

   在 AI 工具中直接说清需求，例如：

   “帮我在 user 表加 last_login_at 字段，datetime 类型，默认 null，登录接口更新它”

   无需创建需求 ID 或初始化工作空间。

2. AI 执行，实时验证

   让 AI 直接操作代码，同时配置验证能力（如后端接口执行 curl 调用、配置变更重启服务），AI 完成后自行验证效果。

3. 人工快速复核

   仅检查核心逻辑/效果，无需逐行查代码。利用 AI 的格式化 Hook 处理最后 10% 的格式问题，避免 CI 报错。

4. 即时提交代码

   小需求做完即提交，不堆积，避免上下文丢失。

5. 踩坑即时记录

   若开发中遇到问题或 AI 犯错，花 2 分钟记录：将问题、原因、解决方案补充到 AGENTS.md（全员必知）或 context/experience/（特定坑点），做到「错一次，终身避坑」。

---

二、长期/复杂任务推进

适用场景： 开发新功能/新模块，跨天/跨阶段的工作

核心思路： 解决 AI「失忆」问题，规避「一次性做完/过早收尾」的坑。

核心原则

一次只做一个子功能，做完一个提交一个，用文件保存全流程进度。

推进流程

1. 任务拆分，创建清单

   先和 AI 用自然语言讨论方案，确认后创建 features.json，拆分所有子功能。例如用户认证可拆分为：

   • JWT 设计
   • 登录接口
   • Token 校验
   • 单元测试

   每个子功能标注优先级/依赖/验收标准。AI 仅可修改「进度/耗时」等执行字段，不可删改子功能本身。

2. 开发单个子功能

   按「单人日常开发 5 步法」完成一个子功能，验证通过后提交代码，更新 features.json 为「done」。

3. 会话结束前「存档」

   无论是否完成当天工作，让 AI 将当前状态/待做事项/注意事项写入 process.txt。例如：

   正在开发 Token 刷新，已完成接口，下一步写测试，需注意 Redis 启动

4. 次日开发「续跑」

   新会话开始时，先让 AI 读取 process.txt + features.json，AI 自动恢复上下文并检查环境（如 Git 状态/依赖服务），确认后继续开发下一个子功能。

5. 子功能全部完成后「独立审查」

   开启全新 AI 会话（无任何开发上下文），让 AI 对整个功能的代码做全量评审，避免原会话「上下文污染」遗漏漏洞，评审通过后整体提测。

---

三、团队协作开发

适用场景： 多人并行开发不同功能/模块

核心思路： 用「单仓库共享知识，独立分支并行开发」替代各自维护 AI 配置的传统模式。

协作模式

1. 团队共用主仓库

   master 分支仅保存 AGENTS.md、context/、封装的通用工具，保持干净，作为团队「AI 知识模板」。

2. 开发者创建独立分支

   每人基于 master 创建功能分支（如 feature/用户认证、bugfix/支付问题），继承主仓库所有 AI 知识，在自己分支中独立开发，互不干扰。

3. 并行开发，实时同步知识

   若开发中沉淀了新经验（如新的业务规则/踩坑点），直接在自己分支中更新 AGENTS.md/context/，然后提小 PR 合并到 master，全团队瞬间同步，避免别人重复踩坑。

4. 分支开发完成后合并

   单个功能开发完成后，按常规 Git 流程提 PR，代码审查时可同时审查「AI 知识的补充内容」，确保团队知识库的准确性。

5. 上下文检索：让 AI 自主找答案

   团队开发中若 AI 需要项目特定知识（如某业务规则/技术架构），无需人工告知，直接赋予 AI grep/find/ls 能力，让 AI 像资深工程师一样从 context/ 中自主检索，无需搭建复杂 RAG 向量库。

---

四、全团队：持续经验沉淀

核心思路： 让每一次开发的经验都转化为团队资产，做到「做一次，会一生，全团队受益」。

固定动作

1. 每日：即时记录

• 时机： 开发中同步做
• 耗时： 2 分钟/次
• 动作： 遇到问题 → 解决后 → 立即记录到 AGENTS.md/context/，不堆积

这是最基础的复利动作。

2. 每周：整理归类

• 耗时： 团队 10 分钟轻量同步
• 动作：
  • 每人 Review 自己本周的记录
  • 将零散的坑点/规则归类到 context/ 对应目录（如把「Apollo 配置问题」归到 context/tech/配置/）
  • 提 PR 将整理后的内容合并到 master，团队简单评审（仅看准确性，不搞形式主义），快速合并

3. 每月：能力固化

• 耗时： 团队轻量讨论，1 次/月
• 动作：
  • 识别团队高频重复的操作（如每月多次做的发布流程/安全检查）
  • 判断是否需要封装工具/命令
  • 仅对「自然语言描述 + AI 执行仍低效」的高频流程封装，封装后同步到 master 的工具目录，全团队共用

---

五、AI 提示词优化技巧

核心思路： 通过简单的提示词技巧，让 AI 的输出更贴合需求。

实用技巧

1. 用 XML 标签隔离指令

   <coding_style>
     <dos>错误处理必须包装</dos>
     <donts>禁止使用panic</donts>
   </coding_style>

   让 AI 清晰区分不同规则。

2. 写决策逻辑而非散乱规则

   遇到不确定的业务逻辑，先搜 context/business/ → 再查代码 → 最后问我

   让 AI 知道「该怎么做」。

3. 明确要求，用简单指令

   • 让 AI「先想方案再动手」
   • 「有不清楚的就问我」
   • 「简化冗长代码」

   自然语言指令比复杂工具更有效。

4. 记录 AI 易犯的错

   在 AGENTS.md 中单独加「AI 注意事项」，标注【重要】（如「修改 config 后必须重启服务」），AI 会优先遵守。

---

核心提效逻辑

原架构

为了让 AI 工作，先搭建复杂流程 → 花大量精力让 AI 理解流程 → 再让 AI 做业务（本末倒置）

优化后

抛弃所有冗余流程，直接让 AI 聚焦业务 → 用文本/文件给 AI 传递知识 → 让 AI 自主工作 → 沉淀经验让后续开发更简单

核心转变： 把「让 AI 适应流程」的精力，转移到「让 AI 理解业务/知识」上。

---

关键落地提醒

1. 拒绝完美主义

   先从最简的 AGENTS.md 开始，让 AI 能用就行，后续在开发中自然补充知识，不一开始就追求「完美的知识库/架构」。

2. 工具极简

   能靠提示词/自然语言解决的，绝不封装工具，仅封装高频固定流程。

留一个坑等后续填充

当将工程思维推广到一个广义场景，比如模拟AI话题讨论时，这个方法是否能够复用或大部分复用。

Donate