企业官网建设流程全解析

前言

第一次用 AI 编程工具的人，通常都会经历类似的一幕：你对它说"帮我写个登录功能"，它秒回一大段代码，你兴冲冲复制进项目，运行，报错。你把这个报错再贴给它，它又给你一版，再报错，再贴……几个来回之后，你开始怀疑：到底是它在帮我，还是我在帮它调试？

这个场景说明一个事实：AI 编程工具用得好不好，从来不取决于工具本身，而取决于使用者的基本功。和 AI 协作，就像带一个新同事，你把任务描述得越清楚、给的背景越充分、验收标准越明确，它的产出就越靠谱。

本文将拆解与 AI 协作的四项基本功——提示、上下文、验收、迭代——并给出每项的模板、常见错误和练习方法，让你从"会用"走向"会用得好"。

1 为什么"会问"成了核心技能

1.1 从"会写"到"会指挥"

编程范式的迁移，把"写代码"的重心让给了 AI，也把新的责任交到了人手里：描述需求、提供背景、判断结果、持续修正。

这种变化已经被数据证实。LeadDev 面向 883 名工程负责人的调查显示，53% 的受访者把提示工程列为接下来一年最重要的学习方向，60% 的人计划重点学习如何管理 AI 智能体[1]——这两项本质上都是"指挥"技能。换句话说，会写代码正在从核心竞争力退位为基本配置，会指挥 AI 才是新的分水岭。

1.2 四项基本功总览

笔者把"会指挥"拆解成四项可训练的基本功，如表 1 所示。

表 1 与 AI 协作的四项基本功

这四项是顺序关系，也是循环关系：提示决定起点，上下文决定质量上限，验收守住底线，迭代负责收敛。下面逐一展开。

2 基本功一：提示工程

2.1 提示的本质：把模糊需求翻译成可执行指令

提示工程（Prompt Engineering）听起来很玄，本质却很简单：把大脑里模糊的想法，翻译成 AI 能执行的具体指令。AI 不会读心，你描述得越含糊，它就只能靠猜，猜得越离谱，返工就越多。

Anthropic 官方提示工程指南反复强调的正是这一点：指令要清晰、具体，最好给出示例和明确的输出格式，而不是"帮我做点东西"这种开放式要求[3]。

2.2 五段式模板：角色 + 任务 + 约束 + 示例 + 输出

一个好用又容易上手的模板，是 PPT 中现场演示使用的"五段式"，如表 2 所示。

表 2 五段式 Prompt 模板（以"作业提交系统"为例）

为什么要这样写？角色让 AI 按高水准作答，任务圈定边界，约束挡住常见坑，示例统一风格，输出格式则决定你拿到的是"能用的工程"还是"一堆散代码"。五个部分各司其职，缺一不可。

2.3 三个最常见的错误

知道了模板，还要避开三个高频错误：

第一个是提示过于笼统。“帮我优化这段代码"等于什么都没说；改成"这段代码在数据量大时变慢，请找出瓶颈并给出优化方案，说明理由”，AI 才知道该往哪个方向使劲。

第二个是信息一次性塞太多。把整个项目几百行代码全部粘进去，AI 反而抓不住重点；应该聚焦当前任务，只给相关文件和相关片段。

第三个是缺少验收约束。不提"请说明你的修改会影响哪些文件"，AI 就不会主动交代，出了问题你只能满项目找。把约束写进提示，是成本最低的防呆设计。

3 基本功二：上下文管理

3.1 上下文决定质量上限

提示解决"要什么"，上下文解决"基于什么"。AI 没有打开你的项目，它对代码库的全部了解，都来自你给它的那几段文字。上下文给得越充分，它的回答越贴合你的实际情况；上下文缺失，再好的提示也会答偏。

3.2 三类必给的上下文

实践中，有三类上下文几乎每次都要给：

第一类是相关代码。报错就贴完整的报错信息加出错文件的关键片段，别只贴一句话；改功能就贴目标函数和调用它的地方。

第二类是项目结构。说明这是一个什么项目、用什么框架、目录怎么组织，AI 才能给出符合项目惯例的方案，而不是另起炉灶。

第三类是约束与背景。数据库用什么、部署环境是什么、有没有历史决策——这些"你没说它就不知道"的信息，决定了产出是否可用。

3.3 上下文管理的两个技巧

技巧一：先让 AI 复述再动手。重要任务可以先问它"根据以上信息，请复述你的理解和计划"，确认理解一致后再让它写代码，能避免大量返工。

技巧二：把项目规范沉淀成文档。像 CLAUDE.md、项目 README 这类文件，把约定写进去，每次让 AI 先读它再工作，等于给 AI 配了一份"入职手册"，长期效率提升非常明显。

4 基本功三：结果验收

4.1 为什么验收是最关键的一步

如果说前三项基本功决定效率，验收决定的就是生死。因为 AI 的产出并不天然正确——Stack Overflow 2025 年的调查显示，66% 的开发者抱怨 AI 答案"差一点就对了"，45.2% 的人觉得调试 AI 代码反而更耗时[2]。如果看不懂就粘贴，等于亲手把隐患装进项目。

GitClear 的长期数据也印证了这一点：随着 AI 辅助编码普及，代码仓库中"写完两周内被修改或撤回"的比例从约 16% 上升到约 19%[4]。AI 生成代码，正在推高返工率。

4.2 验收四问

拿到 AI 的产出，别急着说"跑通了就算完"。依次问四个问题：

第一，对不对：结果是否满足需求，边界条件是否处理（空输入、并发、大文件）？

第二，安不安全：有没有硬编码密钥、SQL 注入、越权访问？这类问题 AI 特别容易犯。

第三，快不快：性能是否合理，有没有明显低效的写法？

第四，合不合规：是否符合项目规范和团队约定，能不能被后人维护？

4.3 三层验收标准

四问之外，验收还有三个层次：能运行，只是第一层；逻辑正确、覆盖边界，是第二层；符合工程规范、可长期维护，是第三层。对学生而言，至少要练到第二层——能对任何 AI 代码说出"哪里对、哪里错、为什么"。

5 基本功四：迭代能力

5.1 一次答对是例外，迭代是常态

很多初学者把"AI 一次给出正确答案"当成理所当然，答错了就换工具、换模型，陷入"重开一局"的循环。实际上，迭代才是与 AI 协作的正常节奏：一项针对 91 名软件工程师的学术调研发现，熟练使用 AI 的开发者普遍采用多轮迭代对话，而不是一次性提问——追问、补充、修正，逐步逼近正确答案[5]。

5.2 迭代的三种动作

迭代不是无脑重试，而是系统化的三个动作：

动作一是追问澄清。发现回答偏离需求时，先指出偏差，再补充细节，而不是笼统地说"不对，重来"。

动作二是补充约束。AI 答偏往往是因为约束不够，把漏掉的边界条件、技术限制补进去，下一轮质量会明显提升。

动作三是换工具或换思路。同一个问题，对话模型、IDE 补全、终端智能体的擅长点不同；一种形态反复失败时，换一种协作形态常常能突破。

5.3 一个完整的迭代案例

用"生成登录功能"演示一次真实迭代，如表 3 所示。

表 3 与 AI 的一次完整迭代

三句话总结这个案例：第一轮发现问题，第二轮补约束，第三轮补边界。每一次迭代都在缩小"差一点"的距离，直到它变成"正好"。

6 四项基本功的练习路径

6.1 从模板到内化

四项基本功的练习，建议遵循"先套模板、再谈灵活"的顺序。第一周老老实实用五段式写提示，把上下文三类信息列全，对每段产出做验收四问；两到三周后，这些动作会变成肌肉记忆，你不再需要逐条对照模板，也能自然地把该给的信息给全。

6.2 每周练习安排

给自己排一个四周的练习计划，如表 4 所示。

表 4 四周练习计划

结语

把四项基本功串起来，就是一次完整的 AI 协作循环：用五段式把需求说清楚，把上下文给足，认真验收每一段产出，再通过迭代把它逼近正确。循环的次数多了，你会在某个时刻突然发现：和 AI 协作已经像写代码一样自然，成了身体的一部分。

练成这项能力的唯一方法，和在真实项目里练写作代码完全一样——动手。从本周开始，给你的每一个 AI 任务都套上模板，给每一段产出都做一次验收，坚持四周，你会看到明显的差别。

参考资料

[1] LeadDev. AI Impact Report 2025（调查 883 名工程负责人）. https://leaddev.com/wp-content/uploads/2025/08/THE-AI-IMPACT-REPORT-2025-download__LDMO__.pdf

[2] Stack Overflow. 2025 Developer Survey · AI. https://survey.stackoverflow.co/2025/ai/

[3] Anthropic. Prompt Engineering Overview（官方提示工程指南）. https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview

[4] GitClear. The Maintainability Gap: AI Code Quality in 2026. https://gitclear-public.s3.us-west-2.amazonaws.com/The_Maintainability_Gap_August_2026_GitClear_AI_Research.pdf

[5] arXiv. Prompting in Practice: Investigating Software Developers’ Use of Generative AI Tools. https://arxiv.org/html/2510.06000v1/

注：文中统计数据、模型版本等信息会随时间变化，数据截至 2026 年 10 月。