ChatGPT提问技巧实战：如何用精准Prompt提升AI辅助开发效率-开发者社区

相信很多尝试过用ChatGPT辅助编程的朋友都有过这样的体验：明明感觉把需求说清楚了，但AI生成的代码要么跑不起来，要么逻辑完全不对，最后还得自己从头写，效率反而更低了。

我刚开始用的时候也踩了不少坑。比如，有一次我需要一个函数来验证用户输入的邮箱格式。我直接问：“写一个验证邮箱的函数。”结果AI给了一个非常基础的、只检查“@”符号和“.”的正则表达式，完全忽略了顶级域名长度、特殊字符限制等实际业务中必须考虑的细节。生成的代码虽然能运行，但离“可用”还差得远，我还得花时间去研究RFC标准，然后自己重写。

这背后的核心问题，其实就是提问（Prompt）的质量。模糊的指令只能得到模糊的、通用的结果。而精准的Prompt，则像是给AI画了一张清晰的施工图，它能直接交出符合我们预期的“成品”。

1. 模糊需求 vs. 结构化Prompt：效果天壤之别

让我们通过一个具体的例子，直观感受一下这两种提问方式的巨大差异。

场景：我们需要一个Python函数，从一份混合了中文、英文和数字的字符串中，提取出所有的手机号码（假设为11位连续数字）。

模糊需求提问：
“写个函数提取字符串里的手机号。”
AI可能生成的代码（效果不佳）：
```
import re def extract_phone_numbers(text): # 使用正则表达式查找所有11位数字 pattern = r'\d{11}' phone_numbers = re.findall(pattern, text) return phone_numbers
```
问题：这个函数会把任何连续的11位数字都当作手机号，比如“12345678901”这个显然不是手机号的数字串也会被提取出来。它缺乏对手机号有效号段的判断（例如，是否以13x, 15x, 18x等开头），实用性很低。
结构化Prompt提问：
“请编写一个Python函数extract_valid_mobile_numbers(text: str) -> List[str]。要求：
1. 从输入的字符串text中提取所有可能的11位连续数字。
2. 对这些数字进行初步有效性过滤：仅保留以['13', '14', '15', '16', '17', '18', '19']开头的数字。
3. 返回一个列表，包含所有过滤后的、符合格式的手机号码字符串。
4. 请为函数和关键步骤添加清晰的注释。”

AI生成的代码（优化后）：

import re from typing import List def extract_valid_mobile_numbers(text: str) -> List[str]: """ 从给定文本中提取并验证中国大陆手机号码。 参数: text (str): 待处理的原始文本，可能包含中文、英文、数字及其他字符。 返回: List[str]: 符合常见手机号段规则的11位数字字符串列表。 """ # 步骤1：使用正则表达式匹配所有连续的11位数字 # 注意：这里仅作格式匹配，未进行号段验证 all_11_digits = re.findall(r'\d{11}', text) # 步骤2：定义中国大陆手机常见的有效号段开头（示例，不完整） valid_prefixes = {'13', '14', '15', '16', '17', '18', '19'} # 步骤3：过滤出以有效号段开头的号码 valid_numbers = [ number for number in all_11_digits if number[:2] in valid_prefixes ] return valid_numbers # 示例用法 sample_text = "我的电话是13800138000，另一个是12345678901（无效），工作号是15612345678。" result = extract_valid_mobile_numbers(sample_text) print(result) # 输出：['13800138000', '15612345678']

效果：这个函数不仅完成了提取，还增加了基本的业务逻辑验证，直接生成了更健壮、更贴近真实需求的代码。注释和类型提示也让代码更易读、易维护。

可以看到，结构化Prompt通过明确输入输出、具体约束条件和代码规范，极大地提升了生成代码的准确性和可用性。

2. 三大进阶Prompt技巧，让AI成为你的高效副驾

掌握了结构化提问的思路，我们再深入三个实战技巧，应对更复杂的开发场景。

技巧一：上下文限定法

当需求涉及特定框架、库版本或公司内部规范时，必须在Prompt中明确限定上下文，防止AI使用过时或错误的API。

示例：我们需要使用React 18+和TypeScript创建一个模态框组件，要求使用Hooks语法，并遵循特定的样式类名规范。

Prompt设计：

请创建一个React模态框组件 `Modal.tsx`，要求如下： 技术栈与规范： - 使用 React 18 的函数组件语法。 - 使用 TypeScript，为组件的Props定义清晰接口。 - 使用 `useState` Hook 管理模态框的打开/关闭状态。 - 样式类名遵循BEM命名规范，根元素类名为 `.modal`。 组件Props接口 (`IModalProps`) 需包含： - `isOpen: boolean` (控制显示) - `onClose: () => void` (关闭回调函数) - `title: string` (模态框标题) - `children: React.ReactNode` (模态框内容) 组件结构要求： 1. 一个遮罩层 (`modal__overlay`) 2. 一个内容容器 (`modal__content`) 3. 标题区域 (`modal__header`) 4. 内容区域 (`modal__body`) 5. 关闭按钮 (`modal__close-button`) 请写出完整代码，并包含详细的JSDoc注释。

通过这样限定，AI生成的代码会严格遵循你指定的技术栈和规范，减少后续的适配成本。

技巧二：分步拆解法

对于复杂任务（如实现一个完整算法或模块），不要指望一个Prompt解决所有问题。将任务拆解成逻辑步骤，引导AI逐步实现。

示例：实现一个简易的Promise.allSettled Polyfill（在不支持该方法的旧环境中）。

分步Prompt：

第一步：定义函数框架和类型
“请用TypeScript编写一个名为myAllSettled的函数，用于模拟Promise.allSettled的功能。首先，请定义函数的类型签名和返回类型。输入是一个Promise数组 (Promise<T>[])，输出应该是一个Promise<Array<{status: 'fulfilled' | 'rejected', value?: T, reason?: any}>>。”
第二步：描述核心逻辑
“接下来，请实现myAllSettled的函数体。核心逻辑是：
1. 遍历输入的Promise数组。
2. 对每个Promise，使用.then()和.catch()分别处理成功和失败情况。
3. 无论成功失败，都将结果格式化为统一的{status, value?, reason?}对象。
4. 使用一个计数器来跟踪所有Promise的完成状态，当所有Promise都处理完毕时，用Promise.resolve返回最终的结果数组。请根据以上逻辑补充完整代码。”

这种分步引导，能帮助AI更好地理解复杂逻辑的构建过程，生成更准确、模块化的代码。

技巧三：错误修正模板

当AI生成的代码出现错误时，不要简单地说“不对”。而是应该提供错误信息、你的预期以及修正方向。

低效反馈：
“这个函数错了，运行不了。”
高效反馈（错误修正模板）：
“你之前生成的calculateDiscount函数在我测试时遇到了问题。遇到的问题：当输入price为负数时，函数返回了一个负的折扣金额，这不符合业务逻辑（折扣不应导致最终价格变高）。我的预期：如果price小于等于0，函数应该抛出ValueError或返回0。请参考以下信息修正：
- 输入校验：在计算前检查price > 0和discount_rate在0到1之间。
- 异常处理：使用raise ValueError(‘价格必须为正数’)。请提供修正后的完整函数。”

提供具体的错误上下文、预期行为和修正线索，能帮助AI快速定位问题并给出正确的解决方案。

3. 安全与优化：不可忽视的细节

在享受AI辅助开发便利的同时，我们必须关注安全和生成质量。

敏感信息过滤：永远不要将API密钥、数据库连接字符串、个人隐私信息等硬编码在Prompt中或直接让AI处理。AI的对话历史可能被用于模型训练。对于需要处理敏感数据的任务，应先进行脱敏处理。

安全Prompt示例：“请编写一个函数，其功能是模拟连接数据库并查询用户表。请使用占位符‘YOUR_DB_HOST’、‘YOUR_API_KEY’来代替真实的配置信息，并在注释中强调实际使用时应从环境变量读取。”

防御Prompt注入：如果你的应用会将用户输入的一部分作为Prompt传给AI，需警惕用户可能输入精心设计的文本来“劫持”你的系统指令，导致AI执行非预期操作。简单的防御方法是对用户输入进行严格的清洗和长度限制，或在系统消息（System Message）中设定牢固的边界。

系统消息设计原则：在对话开始时，通过系统消息设定AI的角色和行为边界。例如：“你是一个代码助手，只回答与编程相关的问题。对于任何涉及获取系统信息、执行外部命令或生成不当内容的请求，你都必须拒绝回答。”

影响生成质量的关键参数：

Temperature（温度）：控制输出的随机性。对于代码生成，通常设置为较低值（如0.1-0.3），以保证生成结果的确定性和准确性。值越高，代码可能越有“创意”，但也更容易出错。
Token限制：注意模型的上下文窗口大小。过长的Prompt或要求生成过长的代码可能会被截断。对于复杂任务，善用“分步拆解法”可以有效规避这个问题。

4. 实践任务：优化你的Prompt

现在，是时候将理论付诸实践了。回想一个你最近遇到的需要AI辅助的编程任务，或者尝试下面这个开放性问题：

任务：“请帮我创建一个函数，它能够解析一种简单的日志字符串格式，并从中提取出错误级别、时间戳和消息内容。日志格式示例：‘[ERROR] 2023-10-27T14:30:00Z - Database connection failed.’”

请你根据今天学到的技巧，重新设计一个结构化Prompt来向AI描述这个需求。在设计时，请思考：

如何明确输入（日志字符串）和输出（例如一个包含level、timestamp、message字段的对象）？
需要设定哪些约束条件？（例如，时间戳的格式、错误级别的可能枚举值）
是否需要增加异常处理或格式校验的逻辑？
对代码风格和注释有什么要求？

动手优化你的Prompt，你会发现，与AI的协作效率将迎来质的飞跃。

通过精准的Prompt与AI协作，本质上是在提升我们“将想法转化为明确指令”的能力，这本身就是一项重要的元技能。如果你想体验一个将多种AI能力（语音识别、大模型对话、语音合成）无缝集成，构建出可实时交互的智能应用的全过程，我推荐你试试这个从0打造个人豆包实时通话AI动手实验。它不仅能让你巩固Prompt工程思维，更能带你走完一个AI应用从模型调用到前端交互的完整闭环，实操性非常强。我在体验时，按照实验步骤一步步操作，看着自己搭建的Web应用能听、能说、能思考，成就感十足。对于想深入理解AI应用落地的开发者来说，这是个非常直观且有趣的学习路径。