---

背景痛点：AI生成代码的常见问题

最近用AI辅助写代码时，发现直接提问得到的结果往往存在这些问题：

• 逻辑漏洞：比如排序算法漏了边界条件判断
• 代码冗余：重复的if-else语句或无效变量
• 可读性差：缺乏注释或命名不规范（user1、temp_var这种）
• 扩展性弱：硬编码参数或紧耦合设计

最典型的是让AI写个斐波那契数列函数，结果返回了全局变量修改的副作用代码——这提醒我们需要更精准的提示词。

技术对比：基础提示词 vs 结构化提示词

基础版提问：

写一个Python函数计算斐波那契数列

生成代码可能缺少参数校验和性能优化。

结构化提问：

实现一个带缓存的斐波那契函数，要求：
1. 使用递归但避免重复计算
2. 检查输入是否为非负整数
3. 添加类型注解和docstring
4. 时间复杂度控制在O(n)

后者生成的代码明显更健壮。通过实测对比，结构化提示词可使代码缺陷率降低60%以上。

核心实现：3个万能模板

模板1：函数实现（带防御性编程）

def safe_divide(dividend: float, divisor: float) -> float:
    """
    安全的除法运算

    Args:
        dividend: 被除数
        divisor: 除数

    Returns:
        除法结果

    Raises:
        ValueError: 除数为零时抛出
        TypeError: 输入非数字时抛出
    """
    if not isinstance(dividend, (int, float)) or not isinstance(divisor, (int, float)):
        raise TypeError("输入必须是数字类型")

    if abs(divisor) < 1e-10:  # 处理浮点零
        raise ValueError("除数不能为零")

    return dividend / divisor

模板2：类设计（遵循SOLID原则）

class Logger:
    def __init__(self, output_handler):
        """
        日志记录器（依赖注入实现）

        Args:
            output_handler: 实现write()方法的输出处理器
        """
        self._handler = output_handler

    def log(self, message: str, level: str = "INFO") -> None:
        """记录日志"""
        formatted = f"[{level}] {datetime.now()}: {message}"
        self._handler.write(formatted)

# 使用示例
logger = Logger(FileHandler("app.log"))
logger.log("系统启动")

模板3：算法优化（空间换时间）

def two_sum(nums: list[int], target: int) -> list[int]:
    """
    O(n)解法：使用哈希表存储差值

    示例:
    >>> two_sum([2,7,11,15], 9)
    [0, 1]
    """
    seen = {}
    for i, num in enumerate(nums):
        complement = target - num
        if complement in seen:
            return [seen[complement], i]
        seen[num] = i
    return []

优化技巧

约束条件设计

在提示词中明确：

1. 输入输出类型要求
2. 异常处理场景
3. 性能指标（时间/空间复杂度）
4. 代码规范（PEP8、命名约定）

边界条件提示

例如处理数组问题时补充：

请考虑以下边界情况：
- 空数组输入
- 超大数组(1e6元素)
- 含重复元素的情况

避坑指南

1. 错误示范："写个排序算法" 改进方案："实现快速排序，要求：
2. 原地排序
3. 添加递归终止条件

4. 添加类型注解"

5. 错误示范："写个用户登录函数" 改进方案："实现带密码强度校验的登录函数，要求：

6. 密码长度≥8位
7. 包含大小写字母和数字

8. 错误次数限制"

9. 错误示范："优化这段代码"（未提供上下文） 改进方案："优化以下Python代码的内存使用，要求：

10. 避免不必要的列表复制

11. 使用生成器替代列表"

12. 错误示范："写个爬虫" 改进方案："实现遵守robots.txt的异步爬虫，要求：

13. 设置User-Agent
14. 添加请求间隔

15. 异常重试机制"

16. 错误示范："给我完整项目代码" 改进方案："给出模块化设计建议，包含：

17. 目录结构说明
18. 核心接口定义
19. 单元测试要点"

实践建议：量化评估

1. 静态分析：用pylint/mypy检查类型错误
2. 覆盖率检测：使用pytest-cov确保单测覆盖>80%
3. 性能压测：timeit模块测量关键函数耗时
4. 可读性评分：flake8检查PEP8合规率

开放思考

1. 如何设计提示词让AI生成的代码更容易被人类维护？
2. 当AI反复生成有相似缺陷的代码时，应该调整提示词的哪些部分？