很多开发者用 AI 的方式，其实很浪费。

今天让 ChatGPT 做代码 Review，临时打一段提示词。
明天让 Claude 分析报错，又重新打一段。
后天让 Cursor 帮忙写接口文档，还是现想现写。

最后你会发现：
不是 AI 不好用，是你每次都在重新发明提示词。

这篇文章做一个很小的工具：本地 AI 提示词模板库。

它不依赖第三方库，不调用任何 AI API，不上传代码，只是在本地用 Python 管理常用提示词模板。

支持功能：

• 初始化模板库；
• 查看已有模板；
• 查看模板变量；
• 添加自定义模板；
• 根据变量生成最终 Prompt；
• 导出 Markdown 文件；
• 复制到 ChatGPT、Claude、Cursor、Kiro 等工具里使用。

适合这些场景：

• 代码 Review；
• Bug 排查；
• 接口文档生成；
• README 生成；
• 测试用例补充；
• 技术方案对比；
• 文章大纲生成；
• 周报 / 总结模板复用。

工具不大，但很实用。程序员真正需要的往往不是又一个复杂平台，而是少重复打几遍废话。人类写提示词写到 Ctrl+C 都磨损了，属实没必要。

---

一、最终效果

初始化模板库：

python prompt_bank.py init

查看模板列表：

python prompt_bank.py list

查看某个模板：

python prompt_bank.py show code_review

渲染代码 Review 提示词：

python prompt_bank.py render code_review \
  --var language=Python \
  --var goal=检查这次接口修改是否有异常处理遗漏 \
  --var code="这里粘贴代码或 Git Diff"

导出到 Markdown：

python prompt_bank.py render code_review \
  --var language=Python \
  --var goal=检查这次接口修改是否有异常处理遗漏 \
  --var code="这里粘贴代码或 Git Diff" \
  --out review_prompt.md

生成后的内容就可以复制到 AI 工具里使用。

---

二、项目结构

新建一个目录：

mkdir ai-prompt-bank
cd ai-prompt-bank

目录结构如下：

ai-prompt-bank/
├── prompt_bank.py
└── prompt_bank.json

其中：

• prompt_bank.py 是命令行工具；
• prompt_bank.json 是本地提示词模板库；
• 不需要安装第三方依赖。

建议 Python 版本：

Python 3.9+

---

三、完整代码

新建文件：

touch prompt_bank.py

写入下面代码：

import argparse
import json
import re
from pathlib import Path
from typing import Dict, Any


DEFAULT_BANK_FILE = "prompt_bank.json"

DEFAULT_TEMPLATES = {
    "code_review": {
        "title": "代码 Review",
        "tags": ["code", "review", "developer"],
        "content": """你是一名有经验的高级开发工程师，请帮我做一次代码 Review。

编程语言：{{language}}

本次 Review 目标：
{{goal}}

请重点检查：
1. 是否存在明显逻辑错误；
2. 是否遗漏边界条件；
3. 是否存在异常处理不足；
4. 是否有潜在安全风险；
5. 是否有重复代码或过度复杂逻辑；
6. 是否需要补充测试用例；
7. 是否影响已有功能。

请按下面格式输出：

### 总体评价

### 高风险问题

### 中低风险建议

### 建议补充的测试用例

### 可以直接修改的代码建议

下面是需要 Review 的代码或 Git Diff：

```{{language}}
{{code}}
```"""
    },
    "bug_debug": {
        "title": "Bug 排查",
        "tags": ["bug", "debug", "developer"],
        "content": """你是一名有经验的软件工程师，请帮我排查 Bug。

项目背景：
{{background}}

报错信息：
{{error_message}}

相关代码：
```{{language}}
{{code}}

请按下面步骤分析：

1. 先解释报错可能含义；
2. 列出最可能的 3 个原因；
3. 给出排查顺序；
4. 给出可能的修复方案；
5. 提醒我还需要补充哪些信息。"""
   },
   "api_doc": {
   "title": "接口文档生成",
   "tags": ["api", "doc", "backend"],
   "content": """你是一名后端工程师，请根据下面的信息生成接口文档。

接口名称：{{api_name}}

接口说明：
{{description}}

请求示例：

{{request_example}}

响应示例：

{{response_example}}

请输出：

1. 接口用途；
2. 请求方法和路径；
3. 请求参数表；
4. 响应字段表；
5. 错误码说明；
6. 调用示例；
7. 注意事项。"""
   }
   }

def get_bank_path(path: str) -> Path:
return Path(path).resolve()

def load_bank(path: Path) -> Dict[str, Any]:
if not path.exists():
return {}

try:
    content = path.read_text(encoding="utf-8")
    data = json.loads(content)
except json.JSONDecodeError as error:
    raise ValueError(f"模板库 JSON 格式错误：{error}") from error

if not isinstance(data, dict):
    raise ValueError("模板库格式错误，根节点必须是对象。")

return data

def save_bank(path: Path, bank: Dict[str, Any]) -> None:
path.write_text(
json.dumps(bank, ensure_ascii=False, indent=2),
encoding="utf-8"
)

def extract_variables(content: str) -> list[str]:
pattern = r"{{\s*([a-zA-Z_][a-zA-Z0-9_])\s}}"
return sorted(set(re.findall(pattern, content)))

def parse_vars(items: list[str]) -> Dict[str, str]:
result = {}

for item in items:
    if "=" not in item:
        raise ValueError(f"变量格式错误：{item}，正确格式应为 key=value")

    key, value = item.split("=", 1)
    key = key.strip()

    if not key:
        raise ValueError(f"变量名不能为空：{item}")

    result[key] = value

return result

def render_content(content: str, values: Dict[str, str]) -> str:
variables = extract_variables(content)
missing = [name for name in variables if name not in values]

if missing:
    raise ValueError(f"缺少变量：{', '.join(missing)}")

def replace(match: re.Match) -> str:
    name = match.group(1).strip()
    return values.get(name, "")

return re.sub(r"\{\{\s*([a-zA-Z_][a-zA-Z0-9_]*)\s*\}\}", replace, content)

def command_init(args: argparse.Namespace) -> None:
path = get_bank_path(args.file)

if path.exists() and not args.force:
    print(f"模板库已存在：{path}")
    print("如果要覆盖，请添加 --force")
    return

save_bank(path, DEFAULT_TEMPLATES)
print(f"模板库初始化完成：{path}")

def command_list(args: argparse.Namespace) -> None:
path = get_bank_path(args.file)
bank = load_bank(path)

if not bank:
    print("模板库为空，请先执行 init 或 add。")
    return

keyword = args.tag.lower() if args.tag else None

for name, item in bank.items():
    tags = item.get("tags", [])
    title = item.get("title", "")

    if keyword and keyword not in [tag.lower() for tag in tags]:
        continue

    tag_text = ", ".join(tags)
    print(f"- {name}｜{title}｜{tag_text}")

def command_show(args: argparse.Namespace) -> None:
path = get_bank_path(args.file)
bank = load_bank(path)

template = bank.get(args.name)

if not template:
    print(f"未找到模板：{args.name}")
    return

content = template.get("content", "")
variables = extract_variables(content)

print(f"模板名称：{args.name}")
print(f"标题：{template.get('title', '')}")
print(f"标签：{', '.join(template.get('tags', []))}")
print(f"变量：{', '.join(variables) if variables else '无'}")
print("\n--- 模板内容 ---\n")
print(content)

def command_render(args: argparse.Namespace) -> None:
path = get_bank_path(args.file)
bank = load_bank(path)

template = bank.get(args.name)

if not template:
    print(f"未找到模板：{args.name}")
    return

values = parse_vars(args.var or [])
content = template.get("content", "")
rendered = render_content(content, values)

if args.out:
    out_path = Path(args.out).resolve()
    out_path.write_text(rendered, encoding="utf-8")
    print(f"Prompt 已导出：{out_path}")
else:
    print(rendered)

def command_add(args: argparse.Namespace) -> None:
path = get_bank_path(args.file)
bank = load_bank(path)

if args.name in bank and not args.overwrite:
    print(f"模板已存在：{args.name}")
    print("如果要覆盖，请添加 --overwrite")
    return

content_path = Path(args.content_file).resolve()

if not content_path.exists():
    print(f"模板内容文件不存在：{content_path}")
    return

content = content_path.read_text(encoding="utf-8")
tags = [tag.strip() for tag in args.tags.split(",") if tag.strip()]

bank[args.name] = {
    "title": args.title,
    "tags": tags,
    "content": content
}

save_bank(path, bank)
print(f"模板已添加：{args.name}")

def build_parser() -> argparse.ArgumentParser:
parser = argparse.ArgumentParser(
description="本地 AI 提示词模板库工具"
)

parser.add_argument(
    "--file",
    default=DEFAULT_BANK_FILE,
    help="模板库 JSON 文件路径，默认 prompt_bank.json"
)

subparsers = parser.add_subparsers(
    dest="command",
    required=True
)

init_parser = subparsers.add_parser("init", help="初始化模板库")
init_parser.add_argument("--force", action="store_true", help="覆盖已有模板库")
init_parser.set_defaults(func=command_init)

list_parser = subparsers.add_parser("list", help="查看模板列表")
list_parser.add_argument("--tag", help="按标签筛选")
list_parser.set_defaults(func=command_list)

show_parser = subparsers.add_parser("show", help="查看模板详情")
show_parser.add_argument("name", help="模板名称")
show_parser.set_defaults(func=command_show)

render_parser = subparsers.add_parser("render", help="渲染模板")
render_parser.add_argument("name", help="模板名称")
render_parser.add_argument(
    "--var",
    action="append",
    help="模板变量，格式 key=value，可重复传入"
)
render_parser.add_argument("--out", help="导出文件路径")
render_parser.set_defaults(func=command_render)

add_parser = subparsers.add_parser("add", help="添加模板")
add_parser.add_argument("name", help="模板名称")
add_parser.add_argument("--title", required=True, help="模板标题")
add_parser.add_argument("--tags", default="", help="模板标签，多个用英文逗号分隔")
add_parser.add_argument("--content-file", required=True, help="模板内容文件")
add_parser.add_argument("--overwrite", action="store_true", help="覆盖同名模板")
add_parser.set_defaults(func=command_add)

return parser

def main() -> None:
parser = build_parser()
args = parser.parse_args()

try:
    args.func(args)
except ValueError as error:
    print(f"错误：{error}")

if name == "main":
main()

---

## 四、初始化模板库

执行：

```bash
python prompt_bank.py init

成功后会生成：

prompt_bank.json

里面默认包含 3 个模板：

code_review
bug_debug
api_doc

分别对应：

• 代码 Review；
• Bug 排查；
• 接口文档生成。

查看模板列表：

python prompt_bank.py list

输出示例：

- api_doc｜接口文档生成｜api, doc, backend
- bug_debug｜Bug 排查｜bug, debug, developer
- code_review｜代码 Review｜code, review, developer

---

五、查看模板变量

比如查看代码 Review 模板：

python prompt_bank.py show code_review

输出里会看到：

变量：code, goal, language

这说明渲染这个模板时，需要传入三个变量：

• language
• goal
• code

如果缺少变量，程序会提示错误。

比如：

python prompt_bank.py render code_review --var language=Python

会提示：

错误：缺少变量：code, goal

这比生成一段半残废 Prompt 要好。程序报错至少诚实，AI 有时候会用一脸自信把坑盖上。

---

六、渲染一个代码 Review Prompt

执行：

python prompt_bank.py render code_review \
  --var language=Python \
  --var goal=检查参数校验和异常处理是否完整 \
  --var code="def get_user(id): return db.query(id)"

会输出完整 Prompt：

你是一名有经验的高级开发工程师，请帮我做一次代码 Review。

编程语言：Python

本次 Review 目标：
检查参数校验和异常处理是否完整

请重点检查：
1. 是否存在明显逻辑错误；
2. 是否遗漏边界条件；
3. 是否存在异常处理不足；
...

然后你就可以复制到 ChatGPT、Claude、Cursor、Kiro 里使用。

---

七、导出为 Markdown 文件

如果 Prompt 比较长，建议导出成文件：

python prompt_bank.py render code_review \
  --var language=Python \
  --var goal=检查参数校验和异常处理是否完整 \
  --var code="def get_user(id): return db.query(id)" \
  --out review_prompt.md

生成：

review_prompt.md

这样适合团队共享，也适合放到项目文档里。

---

八、添加自己的模板

先创建一个模板内容文件：

touch readme_template.md

写入：

你是一名技术文档工程师，请根据下面的信息生成 README。

项目名称：{{project_name}}

项目说明：
{{description}}

技术栈：
{{tech_stack}}

请输出：
1. 项目简介；
2. 安装步骤；
3. 启动命令；
4. 目录结构；
5. 环境变量说明；
6. 常见问题；
7. 后续优化建议。

添加到模板库：

python prompt_bank.py add readme \
  --title README生成 \
  --tags doc,readme,developer \
  --content-file readme_template.md

查看：

python prompt_bank.py show readme

渲染：

python prompt_bank.py render readme \
  --var project_name=ai-prompt-bank \
  --var description=一个本地AI提示词模板库工具 \
  --var tech_stack=Python

这样一个自定义模板就可以重复使用了。

---

九、为什么要做本地模板库？

很多人用 AI 效率低，不是因为不会提问，而是因为每次都临时提问。

临时提问有几个问题：

1. 容易漏掉背景；
2. 输出格式不稳定；
3. 每次都要重复输入要求；
4. 团队成员之间难以复用；
5. 难以沉淀成标准流程。

本地模板库可以解决这些问题。

比如团队里约定：

• 代码 Review 都用 code_review；
• Bug 排查都用 bug_debug；
• 接口文档都用 api_doc；
• README 都用 readme；
• 测试用例都用 test_case。

这样大家给 AI 的上下文和输出要求就更统一。

不要小看这个统一。

很多团队不是不会用 AI，而是每个人都用自己的玄学提示词。最后生成结果千奇百怪，像一场大型赛博民间偏方交流会。

---

十、可以继续优化的方向

这个脚本只是一个最小可用版本。

后续可以继续加：

1. 支持按关键词搜索

比如：

python prompt_bank.py search review

2. 支持模板分类目录

比如：

templates/
├── code/
├── writing/
├── office/
└── seo/

3. 支持从剪贴板读取代码

这样不用手动写 --var code=xxx。

4. 支持读取 Git Diff

结合：

git diff --cached

自动生成代码 Review Prompt。

5. 支持团队共享

把 prompt_bank.json 放进项目仓库，团队统一维护。

6. 支持敏感词检查

渲染前检查是否包含：

• token；
• password；
• api_key；
• secret；
• 公司内部接口；
• 用户隐私数据。

这一步很重要。

提示词模板可以共享，但敏感信息不能乱传。尤其是公司代码、客户数据、账号信息，不要直接丢给外部 AI 工具。安全问题从来不是“提醒一下”就能解决的，人类最擅长的就是提醒完继续犯。

---

十一、和 ChatGPT、Claude、Cursor、Kiro 怎么配合？

这个工具本身不绑定任何 AI 平台。

你可以这样用：

ChatGPT

适合通用代码解释、办公总结、文章结构、测试点补充。

Claude

适合长文档、复杂代码、长上下文分析、代码 Review。

Cursor

适合在编辑器里结合项目上下文修改代码。

Kiro

适合围绕需求、规范、任务拆解做工程化辅助。

但不管用哪个工具，核心都是一样的：

把常用提示词模板化。

不要每次都重新输入：

“你是一个资深工程师……”
“请帮我检查代码……”
“请按下面格式输出……”

这些话写一两次叫认真，写一百次叫浪费生命。

如果后续你长期使用 ChatGPT Plus、Claude Pro、Cursor、Kiro、Gemini Advanced、Grok 这类 AI 工具，也可以把 gpt68.com 作为第三方 AI 会员充值平台入口之一去了解。它解决的是订阅充值流程问题，不是替代工具本身。使用前建议看清楚套餐说明、账号要求、到账说明和售后规则。

---

十二、总结

这篇文章用 Python 做了一个本地 AI 提示词模板库，核心功能包括：

init   初始化模板库
list   查看模板列表
show   查看模板详情和变量
render 渲染模板
add    添加自定义模板

它解决的是一个很具体的问题：

不要每次用 AI 都重新写提示词。

对于开发者来说，把提示词模板化之后，可以更稳定地做代码 Review、Bug 排查、接口文档、README、测试用例和技术方案分析。

AI 工具真正能提高效率的地方，不只是生成答案。

而是把重复流程变成可复用流程。

代码是这样，提示词也是这样。