1. 项目概述：从“魔法咒语”到“工程指令”的转变

最近和不少刚接触AI编程的朋友聊天，发现一个挺普遍的现象：大家拿到ChatGPT、Claude或者国内的大模型，第一反应就是把它当“搜索引擎Pro”来用。问的问题也大多是“Python怎么连接数据库？”、“帮我写个冒泡排序”。结果呢？模型给的代码要么跑不通，要么逻辑诡异，最后还得自己吭哧吭哧改半天，体验感极差。这其实完全用错了方向。AI编程，尤其是基于大语言模型的辅助编程，核心不是让它替你思考，而是让它成为你最高效的“执行副驾”。关键在于，你得学会给它下清晰的“工程指令”，而不是模糊的“许愿咒语”。

我花了些时间，整理了10个从易到难、覆盖不同场景的具体例子。这些例子不是简单的代码片段展示，而是完整呈现了“如何将一个模糊想法，通过结构化的提示词（Prompt），转化为可执行、可调试的优质代码”的全过程。无论你是想快速写个脚本处理日常文件，还是构建一个包含错误处理的Web服务，甚至是进行一些复杂的算法优化，这套方法都能让你和AI的协作效率提升一个数量级。你会发现，一旦掌握了“提问的技艺”，AI编程就不再是玄学，而是一项稳定可靠的生产力工具。

2. 核心思路：构建可复用的提示词工程框架

很多人觉得提示词就是“把话说清楚”，这没错，但远远不够。在编程领域，一个高效的提示词应该是一个微型的“产品需求文档”或“技术设计稿”。它需要包含上下文、约束条件、输入输出规范以及风格要求。经过大量实践，我总结了一个适用于大多数编程任务的四层提示词结构，我称之为“CRIS”框架。

Context（上下文） ：这是最容易被忽略，也最重要的一环。你需要告诉AI“我们在什么环境下工作”。这包括编程语言及版本（Python 3.9+）、核心依赖库（如requests, pandas）、项目的大致目标（这是一个数据分析脚本，还是一个后端API？）。提供上下文能极大减少AI给出不兼容或过时建议的概率。

Requirements（需求） ：清晰、无歧义地描述功能。避免使用“快一点”、“用户友好”这种主观词汇。取而代之的是：“将运行时间从O(n²)优化到O(n log n)”、“函数需要处理GB级别的CSV文件而不耗尽内存”、“API响应时间需在200ms以内”。

Instructions（指令） ：这是具体要AI做什么。是写一个全新的函数？还是重构现有代码？或者是为某段代码添加注释和单元测试？指令要具体，例如：“请编写一个名为 sanitize_filename 的函数，它接收一个字符串参数，移除所有非法文件名字符，并用下划线替换空格。”

Specifications（规范） ：定义输出的格式和质量要求。比如：“代码必须包含完整的错误处理（try-except块）”、“请为每个函数编写Pydantic风格的类型注解”、“输出结果应包含代码和一段简短的使用示例”。这一步是保证输出直接可用的关键。

把这个框架记在心里，我们来看具体的例子。每个例子我都会先用自然语言描述一个“小白式提问”，然后展示如何用CRIS框架将其重构为“工程师式指令”，并附上AI的典型输出和我的点评。

3. 十个从入门到精通的实战案例拆解

3.1 案例一：从“帮我写个爬虫”到“定制化数据采集器”

小白提问 ：“我想爬一个网站的数据，该怎么做？”

这种提问的结局，往往是AI给出一段用 requests 和 BeautifulSoup 的通用代码，但很可能因为网站有反爬机制（如JavaScript渲染、请求头校验）而立刻失败。

工程师指令（应用CRIS框架） ：

Context: 使用Python 3.10。目标网站是一个新闻列表页，页面是静态HTML，没有复杂的JS渲染。我们已经知道需要规避基本的反爬，如设置User-Agent。
Requirements: 爬取指定URL下所有新闻文章的标题和链接。需要处理分页，直到“下一页”按钮消失。程序需要稳定，遇到网络错误能重试。
Instructions: 请编写一个完整的Python脚本。定义一个类 `NewsSpider`，包含方法 `fetch_page(url)` 和 `parse_list_page(html)`。使用`requests`和`lxml`库进行解析（因为lxml通常比BeautifulSoup更快）。
Specifications: 代码必须包含：
1. 随机的User-Agent生成逻辑。
2. 请求超时和重试机制（最多3次）。
3. 使用XPath定位标题和链接元素（请根据示例HTML结构编写，示例：`<h2 class=\"title\"><a href=\"...\">标题</a></h2>`）。
4. 将结果保存到本地的JSON文件，包含爬取时间戳。
5. 添加详细的日志记录，打印当前爬取页码和状态。

AI输出要点与点评 ： AI通常会生成一个结构清晰的类。关键点在于，由于我们指定了 lxml 和XPath，代码会直接使用 etree.HTML 解析，并给出类似 tree.xpath(‘//h2[@class=”title”]/a’) 的定位语句。我们指定了重试和日志，AI往往会引入 tenacity 库或自己实现 retry 装饰器，并配置 logging 模块。

实操心得 ：在爬虫任务中， 提供目标网页的真实HTML片段（或结构描述）是成败关键 。AI无法猜测网页结构。此外，明确指定解析库（ lxml / bs4 ）和定位方式（XPath/CSS选择器）能避免后续的适配工作。对于分页逻辑，用自然语言描述清楚（如“下一页按钮的class是’next-page’”）比让AI去猜要高效得多。

3.2 案例二：从“优化我的代码”到“针对性性能分析与重构”

小白提问 ：“这段代码很慢，怎么优化？” 然后贴出一段几十行的复杂循环代码。AI可能会给出一些通用建议，如“使用向量化操作”、“避免全局变量”，但很难直击痛点。

工程师指令 ：

Context: 以下是一段Python代码，用于计算两个大型列表中元素之间的欧氏距离矩阵。已知list_a和list_b各有约10000个三维点。当前代码使用双重循环，速度无法接受。
[附上原始代码]
Requirements: 目标是将计算时间从数分钟减少到秒级。内存使用可以适当增加，但不能超过4GB。
Instructions: 请分析此代码的性能瓶颈，并利用NumPy的广播机制（Broadcasting）进行重写。重写时请保持原有函数的接口不变。
Specifications: 在重写的代码前，请先以注释形式简要说明原代码的复杂度（如O(n*m)）和你的优化原理。重写后，请提供一个使用小规模数据（如10个点）验证结果一致性的示例。

AI输出要点与点评 ： 一个合格的AI会首先指出双重循环是O(n*m)的复杂度，是主要瓶颈。然后，它会将列表转换为NumPy数组，并利用 np.linalg.norm(a[:, np.newaxis, :] - b[np.newaxis, :, :], axis=2) 这样的广播操作，将复杂度降至向量化级别，实现万倍以上的性能提升。它还会给出验证一致性的代码，使用 np.allclose() 比较结果。

避坑指南 ：让AI优化代码时， 必须提供运行环境和数据规模 。“很慢”是主观的，但“万级数据、双循环”是客观的。同时，要求AI“分析瓶颈”并“解释原理”非常重要，这能帮助你学习其优化思路，而不是仅仅复制代码。另外，务必要求它提供 结果一致性验证 ，这是保证重构正确性的安全网。

3.3 案例三：从“写个API接口”到“生产就绪的Web服务”

小白提问 ：“用FastAPI写个用户登录接口。” 得到的可能是一个没有输入验证、没有错误处理、没有安全考虑的“玩具”代码。

工程师指令 ：

Context: 使用FastAPI框架和Pydantic。数据库假设为SQLAlchemy（ORM），但本次只需完成API层逻辑。我们需要一个用户登录端点。
Requirements: 接口路径为 `/auth/login`，方法POST。需验证用户名密码，成功后返回JWT令牌。必须考虑安全性（如密码哈希对比、防时序攻击）。
Instructions: 请完整实现这个端点。包括：
1. 定义Pydantic模型 `UserLogin` 用于请求体验证（username: str, password: str）。
2. 实现 `/auth/login` 的POST函数。
3. 在函数内，模拟一个根据用户名从“数据库”查询用户记录的过程（可用一个字典模拟）。
4. 使用 `passlib` 库的 `bcrypt` 来验证密码哈希（假设库中存储的是bcrypt哈希值）。
5. 使用 `python-jose` 库生成JWT令牌，令牌中应包含用户名和过期时间（例如30分钟）。
Specifications: 代码必须包含：
- 全面的HTTP异常处理（如用户不存在返回401，密码错误返回401，服务器错误返回500）。
- 详细的代码注释。
- 密码验证环节，使用 `secrets.compare_digest` 来避免时序攻击。
- 返回的JSON格式为 `{“access_token”: “xxx”, “token_type”: “bearer”}`。

AI输出要点与点评 ： AI会生成一个非常专业的FastAPI端点。它会正确导入 passlib 和 python-jose ，使用 @app.post(“/auth/login”) 装饰器。在密码验证部分，你会看到它使用了 bcrypt.verify 和 secrets.compare_digest 。错误处理会用到FastAPI的 HTTPException 。它甚至可能会提示你“在实际项目中，哈希和JWT密钥应从环境变量读取”。

注意事项 ：在Web开发提示词中， 明确指定安全库和最佳实践是重中之重 。如果你不提及 bcrypt 和 secrets.compare_digest ，AI很可能使用普通的字符串比较，留下安全漏洞。同时，要求模拟数据库操作而非真实连接，能让AI专注于业务逻辑，输出更清晰、易于理解的示例代码。

3.4 案例四：从“处理一下数据”到“声明式数据清洗管道”

小白提问 ：“我有一个CSV文件，帮我清理一下数据。” 结果可能是一个脆弱的、硬编码的Pandas脚本。

工程师指令 ：

Context: 使用Pandas处理一个销售数据CSV文件 `sales.csv`。数据包含字段：`order_id`, `customer_id`, `order_date`, `product`, `quantity`, `unit_price`, `city`。
Requirements: 构建一个可复用的数据清洗函数管道，处理以下问题：
1. 列名可能有空格，需要统一为小写蛇形命名（snake_case）。
2. `order_date` 列可能是字符串格式，如 “2023-04-01” 或 “04/01/2023”，需统一转为 datetime 类型。
3. `quantity` 和 `unit_price` 中可能存在非数字字符（如 “10 units”， “$25.5”），需提取出纯数字。
4. 识别并删除 `customer_id` 为空的记录。
5. 计算每个订单的总金额（`quantity` * `unit_price`），新增 `total_amount` 列。
Instructions: 请编写一个函数 `clean_sales_data(file_path)`，它读取CSV文件，应用上述清洗步骤，并返回清洗后的DataFrame。请使用Pandas的链式调用（method chaining）风格来保持代码简洁。
Specifications: 清洗每一步都应在函数内通过注释标明。对于日期和数字的解析，请使用稳健的方法（如 `pd.to_datetime` 的 `errors=’coerce’` 参数，配合正则表达式提取数字）。最终代码应展示如何调用该函数并打印数据概览（`df.info()` 和 `df.head()`）。

AI输出要点与点评 ： AI会生成一个高度可读的链式操作代码块。例如： df = (pd.read_csv(file_path).rename(columns=lambda x: x.strip().lower().replace(‘ ‘, ‘_’)).assign(order_date=lambda df: pd.to_datetime(df[‘order_date’], errors=‘coerce’), … ) 。它会熟练运用 pd.to_datetime 、 str.extract 配合正则表达式 r’(\d+\.?\d*)’ 来清洗数据，并使用 dropna 处理空值。

经验技巧 ：对于数据处理任务， 使用“链式调用（Method Chaining）”作为规范要求 ，能迫使AI写出更函数式、更清晰的代码，避免创建大量中间变量。明确指定每个数据问题的具体表现和期望结果，比说“清理脏数据”有效一万倍。要求输出数据概览（ info / head ），也方便你快速验证结果。

3.5 案例五：从“画个图”到“出版级可视化图表”

小白提问 ：“用Matplotlib画销售趋势图。” 得到的可能是一个默认样式、标签模糊的简陋图表。

工程师指令 ：

Context: 使用Python的Matplotlib和Seaborn库。我们已经有一个Pandas DataFrame `df`，包含 `date` 和 `revenue` 两列。
Requirements: 绘制一张适用于商业报告的时间序列折线图，展示月度营收趋势。图表需专业、美观，信息传达清晰。
Instructions: 请编写绘图代码，具体要求如下：
1. 设置图形大小为 (12, 6)，分辨率（DPI）为150。
2. 将 `date` 列设为索引，并确保其为datetime类型。按月度重采样（resample）计算营收总和。
3. 使用Seaborn的 `darkgrid` 样式。
4. 折线颜色为深蓝色（`#1f77b4`），线宽为2.5。
5. 在营收最高的月份对应的点上，添加一个红色的星形标记（marker=‘*’， size=100）。
6. 添加标题“月度营收趋势分析”，字体大小16。
7. X轴和Y轴标签分别设为“日期”和“营收（万元）”，字体大小12。
8. 旋转X轴刻度标签45度，避免重叠。
9. 在图表右下角添加文本框，注明数据来源和最后更新日期。
Specifications: 代码应完整，包含数据准备、绘图和保存（`plt.savefig(‘monthly_revenue.png’, dpi=150, bbox_inches=‘tight’)`）。请解释为何选择月度重采样以及标记最高点的设计意图。

AI输出要点与点评 ： AI会生成一段几乎可直接用于PPT的绘图代码。它会使用 df.resample(‘M’).sum() 进行重采样，用 sns.set_style(‘darkgrid’) 设置样式，用 ax.plot(…, color=‘#1f77b4’, linewidth=2.5) 绘制主线，并通过 df[‘revenue’].idxmax() 找到最高点进行标注。添加文本框会用到 plt.text 或 plt.annotate 。AI通常还会在注释中说明，月度重采样能平滑日度波动，凸显长期趋势；标记最高点能快速吸引观众注意力。

实操心得 ：可视化是“细节魔鬼”。 必须像艺术总监一样给出精确的指示 ：尺寸、颜色码、标记样式、字体大小。笼统的要求只能得到笼统的结果。要求AI解释设计选择，不仅能检验其合理性，也是一个很好的学习过程。指定保存格式和参数（如 bbox_inches=‘tight’ ）能避免产出裁剪不当的图片。

3.6 案例六：从“写个自动化脚本”到“健壮的任务调度器”

小白提问 ：“每天自动备份我的文件夹。” 得到的脚本可能没有日志、没有错误通知、无法处理异常中断。

工程师指令 ：

Context: 在Linux服务器上，使用Python 3.9编写一个数据库备份脚本。数据库为PostgreSQL，使用 `pg_dump` 工具。备份文件需要上传到远程S3兼容存储。
Requirements: 脚本需具备生产环境可靠性：完整的日志记录、错误报警、备份文件清理。
Instructions: 请编写脚本 `backup_postgres.py`，实现以下流程：
1. 使用 `subprocess` 调用 `pg_dump` 导出数据库到临时.sql文件。
2. 使用 `boto3` 库将.sql文件上传到S3的指定桶（bucket）中，路径格式为 `backups/{db_name}/{date}.sql.gz`（先使用gzip压缩）。
3. 本地保留最近7天的备份文件，更早的自动删除。
4. 整个过程的每一步（开始、导出成功、上传成功、清理成功、任何失败）都需记录到本地文件 `/var/log/backup.log`，并包含时间戳和级别（INFO, ERROR）。
5. 如果任何关键步骤失败（导出、上传），需发送邮件告警（使用 `smtplib`，假设邮件服务器参数已存在环境变量中）。
Specifications: 代码必须结构化，包含 `main()` 函数。所有敏感信息（数据库连接串、S3密钥、邮件服务器密码）必须从环境变量读取（如 `os.getenv(‘DB_URL’)`）。请包含一个 `__name__ == ‘__main__’` 的入口。在关键操作（如subprocess调用、S3上传）周围添加详细的异常捕获，并在日志中记录错误详情。

AI输出要点与点评 ： AI会构建一个工业级的脚本。它会定义 configure_logging() 函数来设置日志，使用 subprocess.run(…, check=True, capture_output=True) 来安全执行命令，并用 try…except subprocess.CalledProcessError as e 来捕获错误。对于S3上传，会使用 boto3.client(‘s3’).upload_file 。文件清理会用到 os.path.getmtime 和列表推导式。邮件告警部分会封装成一个函数。

避坑指南 ：自动化脚本的提示词， 核心是“鲁棒性”和“可观测性” 。必须明确要求日志记录（记录什么、记到哪）和错误处理（哪里可能出错、出错后怎么办、如何通知）。强制要求从环境变量读取配置，是保证脚本安全、可移植的最佳实践。这个例子几乎是一个微型运维工程的模板。

3.7 案例七：从“解释这段代码”到“深度分析与文档生成”

小白提问 ：“这段代码是干嘛的？”（贴上一段复杂代码） AI可能只会逐行翻译，无法提炼核心逻辑和设计意图。

工程师指令 ：

Context: 以下是一段用于处理图像识别的Python函数（假设使用OpenCV）。请以资深开发者的视角分析它。
[附上代码]
Requirements: 我需要一份深入的分析报告，而不仅仅是代码注释。
Instructions: 请按以下结构组织你的分析：
1. **功能摘要**：用一两句话概括这个函数的核心目的。
2. **算法/流程拆解**：分步骤解释代码的主要逻辑流程。例如：“第一步，将图像转为灰度图；第二步，应用高斯模糊降噪；第三步，使用Canny算法进行边缘检测...”
3. **关键参数解读**：列出函数中所有可调参数（如阈值、核大小），解释它们的作用以及对输出结果的影响。
4. **潜在性能瓶颈**：指出代码中可能存在的性能问题（如不必要的循环、可向量化的操作、内存使用隐患）。
5. **可能的改进建议**：基于你的分析，提出1-2个具体的优化或重构建议（例如，“可以使用图像金字塔来加速多尺度检测”）。
6. **生成文档字符串**：根据分析，为这个函数编写一个完整的Google风格或NumPy风格的docstring。

AI输出要点与点评 ： AI的输出会从“翻译机”变为“分析师”。它会提炼出函数是“一个基于轮廓检测的简单物体定位器”。在流程拆解中，它会将OpenCV的函数调用串联成一个清晰的流水线。对于 cv2.Canny 中的 threshold1 和 threshold2 参数，它会解释其边缘检测中的滞后阈值作用。性能瓶颈方面，它可能会指出在循环中重复计算某些常量，或者 cv2.findContours 返回大量轮廓时可能的内存问题。改进建议可能包括使用 cv2.boundingRect 的向量化操作，或者先进行面积过滤以减少轮廓数量。最后生成的docstring会包含参数、返回值和示例，非常专业。

注意事项 ：让AI分析代码时， 给它一个明确的分析框架 。这能引导它进行结构化思考，输出远比简单注释更有价值的洞察。要求它指出“性能瓶颈”和“改进建议”，尤其能锻炼你和AI共同进行代码评审（Code Review）的能力。

3.8 案例八：从“帮我调试”到“系统性问题诊断”

小白提问 ：“我的程序报错了，怎么办？”（附上错误信息） AI可能直接给出一个修复方案，但你可能不明白为什么。

工程师指令 ：

Context: 我在运行一个Flask应用时遇到以下错误：`sqlalchemy.exc.OperationalError: (sqlite3.OperationalError) no such table: users`。我已经启动了应用，并在浏览器中访问了注册页面。
Requirements: 请扮演一个调试助手，引导我系统地定位和解决这个问题。不要直接给我答案，而是通过提问和推理，让我自己找到根本原因。
Instructions: 请按以下步骤与我互动：
1. **错误信息解读**：首先，解释这个错误信息的字面含义（SQLAlchemy操作错误，SQLite报告‘users’表不存在）。
2. **提出诊断性问题**：向我提出一系列问题，帮助我排查。例如：
   - “你的模型类 `User` 定义了吗？它是否继承了 `db.Model`？”
   - “你在创建Flask应用后，是否调用了 `db.create_all()` 来创建数据库表？”
   - “你的数据库文件路径是否正确？应用是否有写入权限？”
   - “你是否在定义模型之后、运行应用之前修改过模型结构？这可能需要数据库迁移。”
3. **提供验证命令**：告诉我，在Flask shell或Python脚本中，可以执行哪些命令来验证数据库和表的状态（例如，`from app import db; db.engine.table_names()`）。
4. **给出修复方案**：根据最常见的可能性，给出1-2种修复步骤（例如，“在应用上下文中执行 `db.create_all()`”）。
Specifications: 你的回答应像一个有经验的同事在指导我，语气友好且具有启发性。最终目标是让我理解导致此错误的完整链条，并学会今后如何自行排查类似问题。

AI输出要点与点评 ： AI会变成一个优秀的调试教练。它不会说“你忘了运行 db.create_all() ”，而是会先解释错误，然后问：“首先，让我们确认一下，你的 User 模型类是否正确定义并注册到了SQLAlchemy实例 db 上？”接着会问：“在启动Flask应用的主逻辑中，你是否有在合适的时机（比如在应用工厂函数里）调用 db.create_all() ？这个调用需要在应用上下文内进行。”它还会教你如何打开Flask shell去检查表是否存在。最后，它会总结：“所以，最可能的原因是数据库表没有初始化。请确保在请求处理之前执行了 db.create_all() 。”

经验技巧 ：这种“引导式调试”提示词极其有用。它 将AI从“答案机器”转变为“思考伙伴” 。通过要求AI提问，你被迫去检查自己代码的各个环节，这个过程本身就能加深你对框架工作原理的理解。这是培养独立解决问题能力的最佳方式。

3.9 案例九：从“学习一个概念”到“构建知识图谱与代码实践”

小白提问 ：“什么是递归？” 你会得到一个教科书式的定义和阶乘、斐波那契数列的例子。

工程师指令 ：

Context: 我是一名有基础循环知识的程序员，现在想深入理解“递归”这个概念，并能在实际项目中判断何时使用它。
Requirements: 请为我提供一个结合了理论、可视化、经典案例和实际应用场景的学习路径。
Instructions: 请按以下结构组织内容：
1. **核心思想类比**：用一个生活中的递归例子来解释（例如，俄罗斯套娃、目录遍历）。
2. **与循环的对比**：用同一问题（如计算列表和）分别用循环和递归实现，对比代码，突出递归的“自我相似性”和“分解问题”的特性。
3. **递归三要素**：清晰阐述每个递归函数必须具备的 (a) 基准情形（Base Case）(b) 递归情形（Recursive Case）(c) 向基准情形推进。
4. **调用栈可视化**：以计算 `factorial(5)` 为例，一步步画出调用栈的压栈和出栈过程，解释空间复杂度。
5. **经典案例解析**：深入讲解“二叉树深度计算”和“汉诺塔”问题。不仅给代码，更要解释递归树是如何展开的。
6. **何时使用递归**：给出决策指南。例如，问题结构是自相似的（树、图）、定义是递归的（斐波那契）、用循环解非常复杂时（回溯、分治），考虑递归。同时警告栈溢出风险和尾递归优化。
7. **实战小项目**：给出一个稍复杂的练习，如“使用递归解析一个嵌套的JSON对象，找出所有特定键的值”。
Specifications: 每个部分都需附上简洁的Python代码示例。在“何时使用”部分，请提供一个简单的决策流程图（用文字描述）。最终，让我不仅能写出递归代码，更能形成“递归思维”。

AI输出要点与点评 ： AI会交付一份迷你教程。它会用“查找文件夹下所有文件”作为生活类比。在对比循环和递归求和的代码时，会强调递归的 sum(arr) = arr[0] + sum(arr[1:]) 这种“分治”美感。讲解三要素时会非常清晰。调用栈可视化部分，AI可能会用文字模拟栈的变化：“ factorial(5) 调用 factorial(4) ，暂停，压栈...”。对于二叉树深度，它会写出 max(depth(left), depth(right)) + 1 这样优雅的代码并解释。决策指南会明确列出适用场景（树、回溯、分治）和注意事项（深度、性能）。最后的JSON解析练习会综合运用递归遍历。

实操心得 ：学习编程概念时， 用“教学大纲”式的提示词引导AI ，你能得到结构化和深度远超简单定义的内容。要求包含“对比”、“可视化”、“决策指南”和“实战练习”，相当于让AI为你定制了一个互动学习模块。这比零散地搜索和提问高效得多。

3.10 案例十：从“设计一个系统”到“模块化架构设计稿”

小白提问 ：“我想设计一个短链接生成系统。” 得到的可能是一个模糊的、高层次的描述。

工程师指令 ：

Context: 我需要设计一个类似TinyURL的高并发短链接生成系统。请提供一份初步的技术设计文档（Technical Design Document, TDD）草案。
Requirements: 文档需涵盖核心架构、数据模型、API设计和关键算法，面向中级开发团队进行评审。
Instructions: 请按以下目录结构撰写：
1. **系统概览与需求**：
   - 功能性需求：生成短链、重定向、访问统计。
   - 非功能性需求：高可用（99.9%）、低延迟（重定向<100ms）、高并发（预计QPS 1000）。
2. **架构图与组件说明**：描述一个简单的微服务架构或单体分层架构。包括：API网关、业务逻辑服务、数据存储、缓存层、统计队列。
3. **数据模型设计**：
   - 主要数据表 `short_urls` 的字段设计（id, original_url, short_code, created_at, expires_at等）。
   - 解释主键和索引策略（如对`short_code`建唯一索引）。
4. **核心算法与逻辑**：
   - 短码生成算法：推荐使用62进制（a-zA-Z0-9）的分布式ID生成器（如Snowflake算法）输出，再转码。解释为何不用哈希（冲突风险）和自增ID（安全问题）。
   - 重定向流程：请求先查缓存（如Redis），命中则直接返回原URL；未命中则查数据库，并回填缓存。
5. **API接口定义**：
   - `POST /api/v1/shorten`：请求体 `{“url”: “https://...”}`，返回 `{“short_url”: “https://short.domain/abc123”}`。
   - `GET /{short_code}`：302重定向到原URL。
   - `GET /api/v1/stats/{short_code}`：返回访问统计。
6. **潜在挑战与解决方案**：
   - 如何防止短码被猜测和滥用？（引入过期时间、访问频率限制）
   - 如何保证短码全局唯一？（分布式ID生成器）
   - 缓存失效策略如何设计？（设置合理的TTL）
Specifications: 文档中请使用伪代码或简明的Python代码描述关键算法（如ID转62进制）。对于架构和数据流，可以用清晰的文字描述（如“客户端请求 -> API网关 -> 鉴权 -> 业务服务 -> 查缓存 -> 查DB -> 返回”）。避免过度深入具体技术选型（如不用指定Redis版本），聚焦于设计理念。

AI输出要点与点评 ： AI会生成一份相当专业的设计草案。在系统概览中，它会明确区分功能和非功能需求。架构上，它会建议使用Redis作缓存、MySQL作持久化、消息队列（如Kafka）异步处理统计。数据模型设计会包含字段类型和索引建议。算法部分，它会详细描述Snowflake算法如何生成唯一ID，并给出一个将十进制ID转为62进制短码的函数示例。API定义会包括端点、方法、请求/响应体。在挑战部分，它会提到用布隆过滤器（Bloom Filter）快速判断短码是否存在等高级话题。

注意事项 ：让AI做系统设计时， 约束输出格式为“设计文档” ，能迫使它进行结构化思考。明确要求包含“非功能性需求”、“数据模型”、“算法”和“挑战”，能避免设计流于表面。这种提示词锻炼的是你将模糊产品想法转化为具体技术方案的能力，AI扮演的是一个经验丰富的架构师顾问的角色。

4. 提示词炼金术：从实践中提炼的黄金法则

通过这十个案例，你会发现，让AI写出好代码的关键，不在于AI有多强，而在于你如何“驾驶”它。以下是我从大量实践中总结出的几条黄金法则：

法则一：提供最大化的上下文 。永远假设AI对你项目的一切都一无所知。告诉它语言、版本、框架、库、目录结构、已有的代码片段。信息越多，它的输出越精准。

法则二：定义清晰的输入与输出 。就像函数签名一样，明确告诉AI输入是什么格式（一个字典？一个文件路径？一个HTTP请求？），你期望的输出又是什么（一个JSON对象？一个修改后的文件？一个控制台打印？）。模糊的需求导致模糊的代码。

法则三：指定风格与规范 。你是要快速的脚本，还是可维护的工程代码？需要类型注解吗？注释要什么风格？错误处理要细致到什么程度？把这些要求明确写出来，AI会严格遵守。

法则四：要求解释与论证 。对于复杂逻辑，加上一句“请解释你为何选择这种实现方式”或“这段代码的时间复杂度是多少？”。这不仅能检验AI输出的质量，更是极好的学习过程。

法则五：迭代与精炼 。很少有提示词能一次就得到完美结果。把AI的输出当作初稿，指出问题（“这个函数没有处理边界条件”），要求它改进。这种对话式迭代，是打磨代码的利器。

法则六：安全与最佳实践先行 。在提示词中主动提及安全要求（“使用参数化查询防止SQL注入”、“密码必须加盐哈希”）、性能要求（“该函数需要处理百万级数据”）和可观测性要求（“添加日志”），能从一开始就避免很多坑。

最后，记住最根本的一点：AI是你的副驾，你才是司机。它拥有强大的代码生成和知识检索能力，但项目的方向、架构的设计、业务逻辑的理解，这些核心的创造性工作和决策责任，必须牢牢掌握在你手中。学会用精准的提示词向AI发号施令，让它高效地帮你完成那些繁琐、模板化或需要广泛查阅的工作，而你则专注于更高层次的思考与设计，这才是人机协作的正确姿势。