使用 Lit 创建一个 AI 对话组件库 02 Prompts 篇

本文将深入探讨如何通过结构化提示工程(Prompt Engineering) 帮助 AI 深度理解项目上下文, 从而提升编码辅助效率

目录#

前言#

随着 LLM 技术的发展, AI 的编码能力和代码阅读能力越来越强, 要实现真正的 AGI, 也就是 AI 替代人类(当然也包括程序员), 似乎最大的障碍只剩下了人类参差不齐的迷惑的表达能力, 也就是讲清楚自己要做什么, 并且让 AI 能够准确理解自己的需求; 听起来怎么这么像产品经理给程序员讲需求, 只是这次程序员变成了产品经理 😅

AI 取代论#

最近爆火的 Deepseek 让我们感受到了 AI 进化的速度似乎比我们想象的更快, 那 AI 能够在何种程度上取代程序员呢? 让我们思考一下软件开发流程:

产品经理提出需求
评估需求可行性
理解需求并编写设计文档
编码
测试
修复 bug
上线

通过梳理开发流程可以看到, 真正用来编码的时间估计只有 30% ~ 50%

在 1 2 中, 产品经理是真正的人类思维, 并且 人类的表达能力并不能保证其他人能够完全准确的理解需求, 也并不懂某个需求在编码时能否实现, 更无法预知编码时需要考虑的东西, 所以就需要 需求评审 会, 作为程序员经常要跟产品经理 battle
3 系统设计, 程序员要 将人类语言拆解为可以用程序实现的具体的任务, 把看起来笼统的需求具象化
然后才开始第 4 步编码, 除了实现需求外, 还要让编码 符合项目规范, 保持良好的代码风格
随后测试环节更不能掉以轻心, 因为测试是项目上线前的最后一环, 测试人员需要 将笼统的需求转换为可实际操作的测试用例
然后开始 bug 消除环节, bug 消灭之后上线

由此我们发现, 软件开发流程中真正的复杂性在于:

需求的整理和表达能力
将人类语言转化为软件系统设计文档
将人类语言转化为测试用例

这也正是现阶段 AI 与屏幕前的用户之间的无形障碍, 就是人类需要 信息表达能力 和 信息转换的能力; 想象一下身边的大佬同事, 我们对他的评价时常是 他理解能力很强 / 他表达能力很强, 让他给我们讲讲

解药#

Prompts 是 AGI 时代的编程语言

作为程序员如何能够更好的使用 AI 呢? 在我看来就是编写 尽可能准确和详细的各种文档, 在整个项目的视角上, 具体而言就是:

README.md: 描述整个项目
CHANGELOGS.md: 描述版本更新信息
CONTRIBUTING.md: 描述如何参与项目

接下来我们创建这些文件

Prompts#

关键字	构成说明
角色	给 AI 定义一个最匹配任务的角色，比如：「你是一位软件工程师」「你是一位小学老师」
指示	对任务进行描述
上下文	给出与任务相关的其它背景信息（尤其在多轮交互中）
例子	必要时给出举例, 学术中称为 `one-shot learning`, `few-shot learning` 或 `in-context learning`; 实践证明其对输出正确性有很大帮助
输入	任务的输入信息；在提示词中明确的标识出输入
输出	输出的格式描述, 以便后继模块自动解析模型的
输出	结果, 比如(`JSON / XML`)

使用 repomix 提取项目代码#

pnpm i -g repomix
repomix --init

repomix 会生成以下几个文件:

repomix.config.json: 配置文件
.repomixignore: 在提取代码时忽略的文件, 类似于 .gitignore

我们在 .repomixignore 中加入以下不适合提供给 AI 的文件:

public/*
src/assets/*
commitlint.config.ts
LICENSE

然后我们尝试一下将文件上传至 deepseek:

目录#

前言#

AI 取代论#

解药#

Prompts#

使用 repomix 提取项目代码#

参考#