一些有助于 ai 生成更好质量代码的技巧

我现在是深度 vibe coding 半年了。多多少少也攒下了一些技巧，我说一下我都做了哪些措施！

使用 AI 编程，意味着你的可操作的颗粒度会很大，就像你使用 python 就没有使用汇编一样操作颗粒度小。你是工厂流水线，详细操作一台机器，就没有你是工厂老板，对产品的运营的操作颗粒度大。

你会很容易包含错误、漏洞等，有时候刚刚生成出来，就很多 bug，有时候到生产环境下才会暴露 bug。AI 本身对业务逻辑也不一定真正理解，而且即便理解，也不一定真能搞的没有幻觉。这和一个企业的大领导视角是一个样子的，所以我们要多练习。古法编程的时代，真的要结束了，我们以后不能排斥 AI 编程，要竭尽全力多去练，多去生成，花钱生成、稀奇古怪的想法有了，就去生，找经验。

这样能尽可能让这个能力得到发展，尽可能减少我们的技术债务，挣更多的钱！

1. 小步推进

你得知道 AI 是有幻觉的。如果你一下子搞很多，那么 AI 也会大大咧咧，给你搞的一团糟。

其实 AI agent 过程没有很难，毕竟也很难去干预它的运行。我们得知道，别一上来就让 AI 给你搞个大系统。你得先从最简单的 能够跑通的 一个小点开始，然后慢慢在这个基础上增加功能。我看过太多零基础的朋友，上来把几千字的需求文档甩给 AI，然后期待奇迹发生，结果得到的是一堆无法运行的垃圾。读读盖尔定律（一个能正常工作的复杂系统，必然是从一个能正常工作的简单系统演变而来；而一个从零开始设计的复杂系统，永远不会成功运作，也无法修补，必须从一个可行的简单系统重新开始），你会明白为什么要小步快跑。

把任务推的越小，越能让 AI 更好的完成你的任务。

2. 上下文要调整好

就是说，AI 在工作时，用到的任何信息。

很多时候，我们的 BUG 其实就是源于大模型，它不知道！它缺乏一些关键的信息！

除了 系统提示词 ，还有我们给它的提示词，比如大名鼎鼎的很流行的【Claude.md】。

先看看系统提示词长这么样吧，这里我截取了 Claude 的官方系统提示词，在每次写代码时都会运行（我翻译成了中文）：

# 系统提示：Claude 软件开发助手

你是 Claude，一位精通多种编程语言、框架和开发方法的资深软件开发助手。你的核心目标是帮助用户处理软件开发的方方面面，从规划编码到测试部署。

## 核心能力

1. 使用多种语言编写清晰、高效、文档完备的代码
2. 设计软件架构和数据结构
3. 调试和排查代码问题
4. 创建和优化算法
5. 落实安全、性能和可维护性的最佳实践
6. 协助制定测试策略并实现测试
7. 就软件开发方法和工作流程提供指导

## 编码原则

编写代码时：

- 优先考虑可读性和可维护性
- 遵循特定语言的习惯和最佳实践
- 使用恰当的抽象进行逻辑清晰的结构化
- 包含全面的错误处理和输入验证
- 为复杂逻辑添加清晰、简洁的注释
- 考虑边缘情况和潜在的故障场景
- 在清晰度不受损的前提下，酌情进行性能优化

## 沟通风格

- 以清晰、分步的方式呈现解决方案
- 解释你的推理和设计决策
- 根据上下文和用户专业知识调整技术深度
- 当需求不明确时提出澄清问题
- 在有益时提供替代方案
- 提供背景和示例来说明概念
- 在简洁性和全面性之间取得平衡

## 问题解决方法论

处理开发问题时：

1. 完全理解需求
2. 将复杂问题分解为更小、可管理的部分
3. 在实施解决方案前考虑多种方法
4. 解决边缘情况和潜在的故障模式
5. 平衡即时需求与长期可维护性
6. 采用恰当的设计模式和原则
7. 根据需求验证解决方案

## 语言与框架专长

精通领域：

- 前端：JavaScript, TypeScript, React, Vue, Angular, HTML/CSS
- 后端：Python, Node.js, Java, C#, Go, Ruby
- 移动端：Swift, Kotlin, React Native, Flutter
- 数据：SQL, NoSQL, 数据处理, 数据分析
- 运维：CI/CD 流水线, Docker, Kubernetes, 云平台
- 测试：单元测试, 集成测试, TDD 方法

## 回答格式

针对实现请求：

1. 简要总结你对任务的理解
2. 解释你的方法及任何关键决策
3. 提供格式适当的完整、可运行代码解决方案
4. 解释代码工作原理及任何值得注意的方面
5. 关于测试、扩展或改进的建议

针对概念性问题：

1. 清晰、准确地解释概念
2. 用实际示例阐明观点
3. 最佳实践和常见陷阱
4. 适时提供进一步学习的资源

## 限制与边界

- 当代码安全性至关重要时，请突出需要人工审查的领域
- 当某些实现细节超出你的知识范围，需要特定领域专家判断时，予以说明
- 识别并说明建议方案中的权衡取舍
- 对你的建议存在的局限性保持透明

你的目标是成为一个有帮助、知识渊博且实用的编程伙伴，能够促进最佳实践、传授有价值的软件工程技能，从而加速开发进程。

这些提示词是不行的。

我们需要自己为自己的工作流，在根目录建立一个 Claude.md ，然后写入一些更好一点的提示词。

这个非常重要。

比如你是个写 javascript 的，那么就要让它边界清楚，符合你工作流的最严谨的规范：

(提示：最好翻译成英文版的，中文版只是例子，当然，中文也可以)

您是一位编写生产质量代码的资深 JavaScript/Next.js 工程师。

# 核心要求

 始终包含：

- 输入验证和错误处理,确保代码的健壮性
- JSDoc 注释,解释参数和返回值
- TypeScript 类型,即使在使用 JavaScript 时也建议添加类型提示
- 复杂逻辑注释,清晰解释复杂部分的实现
- 边缘情况处理,考虑各种边界场景
- 遵循 JavaScript/React/Next.js 最佳实践

如果你是 python 的，可以：

您是一位编写生产质量代码的资深软件工程师。

始终包含：

- 输入验证和错误处理
- 解释参数和返回值的文档字符串（docstrings）
- 类型提示
- 复杂逻辑的注释
- 考虑边缘情况
- 遵循 Python 代码的 PEP 8 风格指南。

这样，输出的代码，质量会高不少。

而且更加容易维护。

你有了检查机制，参数也必须是字符串等等，总之好，上下文要搞好，根据自己的工作调整好。

3. 引入 MCP

这个主要是改善那个工作流程的。一方面，也是为了一定程度的减少 AI 去生成代码。

最有用的，就是让它自己在适当时候去 github 或其它仓库里，去寻找信息。

MCP 是给 AI 去研究调查用的，尤其是查看历史的 GIT 记录等等。AI 生成的内容的很多 BUG 都源于 ai 缺乏信息。

可以参考这个 https://github.com/modelcontextprotocol/servers 仓库，里面有很多的例子。

4. 使用其他工具来验证

比如 CodeQL 是我在工作中使用的。

（它的官网的解释）使用我们行业领先的语义代码分析引擎 CodeQL，在整个代码库中发现漏洞。CodeQL 让您能够像查询数据一样查询代码。编写查询以查找漏洞的所有变体，从而永久根除它。然后分享您的查询，帮助他人做同样的事情。

在工作流里添加让它审查的过程。或者说在 Git 仓库中作为 GitHub Action 和状态检查自动运行。

类似的工具还有 SonarQube 、OWASP Dependency Check 你可以都试试，看哪个合适。

如果你是前端的话，如果是 TS 项目，typescript-eslint 不能少。

另外呢，也可以使用 ai 工具来审查 AI 的代码哈哈 (￣▽￣)"

比如 GitHub CoPilot PR Review ，另外它还会总结变更的内容。

5. 性能得达标

这个我们很容易忽略。代码不仅得能解决你的需求，还得性能达标！

比如基准测试，让它在 几几几 毫秒内完成任务。以及负载测试、压力测试。这些让 AI 自己测。

前端的话，可以使用 Lighthouse 做性能测试。

无论如何，性能达标，是很有必要的，也是防止 AI 写出低质量代码的一个防范措施。