如何撰写AI Prompt才能成为程序员必读的最佳实践指南？

程序员必读的AI Prompt最佳实践 程序员的系统化 AI 提示词工程实践手册 本文档源码：https://github.com/microwind/ai-prompt 一、为什么程序员必须学习 Prompt Engineering？ 现在程序员已经离不开AI了，无论cursor、windsurf还是claude code、codex，抑或直接把问题扔到大模型对话框里。基本上每个程序员都会用AI来辅助编程。但有时候 AI 生成的代码会"编译不通过"或者"逻辑奇怪"，甚至出现“代码屎山”，这是什么原因？ 本质问题：这可能不是模型的问题，而是我们的 **"提问方式(提示词)" **不够准确。 你可以把AI当作实力超强的实习生 想象一下，你招聘了一位博学多才（背熟了 GitHub 上所有开源代码）但刚毕业的计算机实习生。 如果你说："写个登录功能。" ❌ 实习生可能会给你： - 没加密、直接拼 SQL 的 UserDao - 还在用 java.util.Date - 没有全局异常处理 如果你说："请基于 Spring Security 6，实现一个基于 JWT 的无状态认证过滤器。要求使用 Lombok，处理好全局异常，并符合 RESTful 规范。" ✅ 实习生立马交出： - 生产级可用的代码 - 完整的异常处理 - 符合架构规范的实现 核心认识 Prompt Engineering 本质：自然语言编程。 对程序员来说，就是写给 AI 的需求文档（Spec）。 以前我们指挥电脑用 Java，现在我们指挥 LLM 用自然语言。 很多人遇到的问题： AI 写的代码编译不通过 用了过时 API或框架老旧 逻辑不符合项目架构 单元测试缺失 原因往往不是模型，而是提问方式不够工程化。 当你像配置 Spring Bean 一样精准控制 AI，它就能成为你最得力的结对编程伙伴。 二、底层原理 2.1 LLM ≠ 编译器：概率预测 vs 确定性执行 Java 代码是确定性执行（Deterministic）： if (a > b) return true; // 永远是这个结果 而LLM 本质是一个超级强大的 "Token 接龙机器"： 不理解代码逻辑 只是在计算概率 AI 写代码其实是在做高维度的自动补全 因此： 👉 Prompt 越明确，结果越稳定 AI 的每个输出都是在有限的概率空间中选择最可能的下一个 Token。 2.2 Context = 依赖注入 AI 的记忆是有限的，这个限制被称为上下文窗口（Context Window）。 你可以把 Context 想象成 Spring 容器中的依赖注入： ❌ 如果你不注入业务逻辑背景（Context） → AI 就会报 "NullPointerException"（幻觉、瞎编） ✅ 如果你把相关的 Entity 定义、Service 接口都贴给它 → AI 就能完美运行 程序员操作指南 1： 永远不要假设 AI 知道你的项目架构。把以下信息显式地告诉它： 技术栈版本（Java 17/21？Spring Boot 2/3？） 依赖库选择（MyBatis 还是 JPA？） 项目结构和模块划分 已有的代码规范 2.3 Temperature（关键参数） 在使用 AI API 时，有一个关键参数叫 Temperature（0.0 - 1.0）。 Temperature 模式 特点 适用场景 0.0 Strict Mode（相当于 final） 每次输出几乎一样 ✅ 写代码、生成 JSON 0.3 平衡 稍有变化，主要思路稳定 ✅ 架构设计 0.7+ Creative Mode（相当于 Random） 每次输出都不同 ✅ 文案、头脑风暴 编程原则：代码生成必须使用 Temperature=0.0。 三、BROKE Prompt 结构 一个优秀的 Prompt 就像一个定义良好的 Java 类，包含必要的属性。 我们可以沿用 BROKE 框架： 要素 英文 对应 Java 概念 例子 角色 Role 类定义 "你是一位拥有 10 年经验的 Spring 架构师..." 背景 Background 成员变量 / Context "我们正在将老旧的 JSP 单体应用迁移到微服务..." 目标 Objective 方法名 "请重构这段代码..." 约束 Key Constraints 接口规范 / Config "使用 Java 17 Record 特性，避免使用 Lombok，需包含 Javadoc。