用AI写代码的10个技巧：效率翻倍的Prompt写法【2026】

一、评测方法

本文采用标准化AI编程提示词测试框架，对10种常见AI编程技巧进行系统评测。每种技巧在相同代码任务下测试效果差异。

测试任务

评分维度与权重

评分标准

• 5分：效果显著，对所有编程场景都有帮助
• 4分：效果良好，对大部分场景有用
• 3分：有效果，但不是每次都需要
• 2分：效果有限，只在特定场景有用
• 1分：效果微弱或几乎没用

二、10个技巧详评

技巧1：给足上下文

核心： AI不知道你的项目结构、技术栈、代码风格，你不说它只能猜。

❌ 坏例子：

写一个登录功能

✅ 好例子：

我有一个Flask项目，数据库用PostgreSQL，
已经在config.py里配好了数据库连接。
请在app/auth.py里添加：
1. 用户注册API（POST /api/register）
2. 用户登录API（POST /api/login）
3. 密码用bcrypt加密
4. 返回JWT token（过期时间24小时）

评分表

实测细节

这是最重要的AI编程技巧——没有之一。

对比测试： 我用相同需求"写一个文件上传功能"做了对比测试。

坏版本只写了"写一个文件上传功能"，AI给出的代码如下：

def upload_file(file):
    with open(f"uploads/{file.name}", "wb") as f:
        f.write(file.read())
    return "上传成功"

问题：没有文件类型校验、没有大小限制、没有错误处理、路径硬编码、存在路径遍历漏洞。

好版本给了完整的上下文和技术栈，AI给出的代码如下：

import os
import uuid
from werkzeug.utils import secure_filename

ALLOWED_EXTENSIONS = {'pdf', 'png', 'jpg', 'jpeg', 'gif'}
MAX_FILE_SIZE = 10 * 1024 * 1024  # 10MB

def allowed_file(filename):
    return '.' in filename and \
           filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS

def upload_file(file):
    if file and allowed_file(file.filename):
        if file.content_length and file.content_length > MAX_FILE_SIZE:
            return {"error": "文件大小超过10MB限制"}, 413

        filename = secure_filename(file.filename)
        unique_name = f"{uuid.uuid4()}_{filename}"
        filepath = os.path.join(app.config['UPLOAD_FOLDER'], unique_name)
        file.save(filepath)
        return {"message": "上传成功", "filename": unique_name}, 200

    return {"error": "不支持的文件类型"}, 400

差距是数量级的。

核心原理： AI的代码生成机制是基于<上下文> → <代码>的映射。上下文越丰富，映射越精确。好的上下文相当于给了AI一张"地图"——它知道该走哪条路，而不是随机选一条。

技巧2：分步骤，别一次性倒给AI

核心： AI擅长做小任务，不擅长一次完成大项目。

❌ 坏例子：

帮我写一个完整的电商系统

✅ 好例子：

第1步：在models.py中添加Product模型
（name, description, price, stock四个字段）

第2步：添加CRUD API（我告诉你下一步做什么）

评分表

实测细节

对比测试： 要求"写一个完整的REST API服务"。

坏版本尝试一次生成所有内容，输出了一大段代码，但：
- 一半是无用的脚手架代码
- 路由混在一起，难以区分
- 错误处理不统一
- 没有按职责分文件

好版本按步骤执行：
1. 先定义数据模型 → 正确
2. 再写业务逻辑 → 正确
3. 再写路由 → 正确
4. 最后补充错误处理 → 正确

每个步骤AI都给了合理且可测试的代码。如果出现错误，可以精准修复出错的步骤而不用推翻全部重来。

最佳实践： 把大功能拆成3-5个子任务，每次只让AI完成一个子任务。每完成一个步骤，测试通过后再进行下一步。

技巧3：指定语言+框架+风格

核心： 不指定技术栈，AI默认用最通用的方案。

❌ 坏例子：

写一个模态框

✅ 好例子：

用 React + TypeScript + Tailwind CSS 写一个模态框组件。
要求：
- 点击遮罩层关闭
- 按ESC键关闭
- 支持自定义宽高
- 有入场动画
- 已安装@headlessui/react

评分表

实测细节

不指定技术栈时，AI默认选择的往往是最通用但也最冗余的方案。比如"写一个模态框"，不指定时AI可能生成原生JavaScript + CSS的方案，而你项目用的是React, TypeScript, Tailwind。

实测对比： 坏例子输出的代码需要手动适配5处才能融入项目。好例子输出的代码可以直接粘贴使用，零修改。

指定技术栈的三个层次：
1. 语言：Python / JavaScript / TypeScript / Go / Rust
2. 框架：Flask / React + Next.js / Django / FastAPI
3. 风格/工具：函数式/类、ORM/原生SQL、Tailwind/Bootstrap

三层都指定了，输出基本不用改。

技巧4：先写测试，再写代码

核心： 让AI先写测试，它会想清楚要满足什么条件，再写代码时规范很多。

先帮我写这个函数的测试用例（pytest），
覆盖正常输入、边界值、异常情况。
确认测试覆盖全面后，再帮我实现这个函数。
函数功能：[描述]

评分表

实测细节

这个技巧是提升代码质量最有效的手段之一，虽然学习成本稍高（需要用测试思维去描述需求）。

测试需求函数： 写一个函数，功能是"从URL中提取域名"。

直接让AI写代码得到的版本：

import re

def extract_domain(url):
    match = re.search(r'https?://(?:www\.)?([^/]+)', url)
    return match.group(1) if match else None

看起来不错，但有几处边界情况没处理。

先写测试再写代码的版本：

# 先写测试
import pytest
from url_utils import extract_domain

def test_simple_url():
    assert extract_domain("https://example.com/page") == "example.com"

def test_with_www():
    assert extract_domain("https://www.example.com") == "example.com"

def test_with_subdomain():
    assert extract_domain("https://blog.example.com") == "blog.example.com"

def test_with_port():
    assert extract_domain("https://example.com:8080/page") == "example.com"

def test_without_protocol():
    assert extract_domain("example.com/page") == "example.com"

def test_empty_input():
    with pytest.raises(ValueError):
        extract_domain("")

def test_invalid_url():
    assert extract_domain("not a url") is None

关键差异： 写测试的过程让AI想清楚了所有边界情况——包括"没写协议的URL""端口号""空输入""无效输入"。这些边界情况在直接写代码时通常被忽略了。

技巧5：看不懂的代码，让AI逐行解释

核心： 遇到复杂代码时，不要自己硬啃。

请逐行解释以下代码在做什么。
重点说明：第8行的reduce函数为什么这么用，
以及第15行的async/await在这里的必要性。
[粘贴代码]

评分表

实测细节

这不是一个"优化代码"的技巧，而是一个提高自身理解力的技巧。

实测效果： 我找了一段不熟悉的代码库中的复杂函数（50行，使用了reduce + 高阶函数 + async/await），让AI逐行解释。AI清晰地说明了每一行的作用、数据流向、为何选择这个特定的实现方式。在这个过程中，我不仅理解了这段代码，还学到了reduce的巧妙用法。

这个技巧的另一个用途——Code Review辅助： 让AI评价代码质量，指出潜在风险和优化方向。

技巧6：要求多种方案 + 对比

核心： 不要只接受一种方案，让AI给你选。

❌ 坏例子：

帮我把这个数组去重

✅ 好例子：

给3种数组去重的方法：
1. 最快执行速度的
2. 代码最简洁的
3. 最易维护的

对比每种方法的时间复杂度和适用场景。

评分表

实测细节

核心原理： AI的"第一个答案"往往是最常见的答案，但不一定是最适合你的。要求多种方案后，AI会激活不同的知识路径，给出差异化的解法。

实测： 数组去重的3种方案：

AI不仅给出了三种方案，还给出了选择建议。

技巧7：让AI审查你的代码

核心： AI可以当你的Code Reviewer。

假装你是一个有10年后端经验的高级工程师。
请审查这段代码，指出：
1. 安全性问题（最重要）
2. 性能问题
3. 可维护性问题
4. 命名是否合理
按严重程度排序。
[粘贴代码]

评分表

实测细节

这个技巧的效果取决于你给AI的角色设定有多具体。泛泛地让AI"审查代码"得到的反馈也是泛泛的。但给一个具体的角色和关注点，"10年后端经验的高级工程师"+"4个具体审查维度"+"按严重程度排序"——AI会认真对待。

实测： 我提交了一段自己写的Flask API代码（包含文件上传功能）。AI指出了3个安全问题（包括路径遍历风险、MIME类型伪造可能）、2个性能问题和1个命名不符合最佳实践的问题。其中路径遍历风险我之前完全没有意识到。

技巧8：角色设定（真的有用）

核心： 角色设定会让AI使用更专业的表达方式。

作为一个有10年Python经验的资深开发者，
请帮我设计这个功能。
考虑：性能、可维护性、扩展性。

评分表

实测细节

原理： 角色设定会触发AI的"专家模式"。当你说"10年Python经验的资深开发者"时，AI会激活和这个角色相关的知识节点——它会考虑性能优化、代码风格、设计模式、可维护性等"资深开发者才会关注"的问题。

对比测试： 不用角色设定得到的方案是"功能正确但中庸"的。用"10年Python经验的资深开发者"角色时，AI主动使用了Pythonic的写法（列表推导式、上下文管理器、类型注解），并额外给出了性能优化建议。

技巧9：明确要求错误处理

核心： AI默认生成的代码错误处理非常薄弱。

❌ 坏例子：

写一个文件上传函数

✅ 好例子：

写一个文件上传函数，请包含：
1. 文件类型校验（只允许jpg/png/pdf）
2. 文件大小限制（最大10MB）
3. 文件名安全处理（防路径遍历攻击）
4. 上传失败时返回友好的错误信息
5. 日志记录

评分表

实测细节

AI的默认代码生成是乐观模式——假设所有条件都是正常的。但现实中有太多意外情况。

常见被AI忽略的错误处理：

实测： 好例子版本生成的代码直接可用于生产，坏例子版本生成的文件上传存在路径遍历漏洞——攻击者可以通过修改文件名参数读取或覆盖服务器上的任意文件。

技巧10：不满意就迭代

核心： AI的第一次答案通常是60分。继续追问才是拿到90分代码的关键。

第1轮：写一个数据导出功能
→ AI给了CSV导出

第2轮：改成支持CSV和Excel两种格式
→ AI加了Excel支持

第3轮：Excel导出要带格式（表头加粗、列宽自适应）
→ AI优化了格式

评分表

实测细节

第一次不满意？继续问。 AI的第一次输出——无论给你什么回答——往往是它认为"最通用"的答案，而不是"最适合你"的答案。

迭代法则：
1. 第一次不满意 → 说明具体的改进方向（不是"再改改"，而是"改为Excle格式，带表头加粗"）
2. 第二次还不满意 → 给出参考示例给AI（"就像这样：[粘贴一段你想要的输出]"）
3. 第三次一般就够了 → 如果还不够，说明需求太模糊，需要先自己想清楚

实测： 写一个数据导出功能。第一次AI给了基础CSV。第二轮要求支持Excel, AI加了openpyxl支持。第三轮要求格式优化，AI加了表头加粗、列宽自适应、冻结首行。三轮迭代过程中，每次都有明确的改进点，最终得到的代码质量比第一次好了很多。

三、完整评分表（加权总分）

四、场景推荐矩阵

五、总结与对比

一句话记住每个技巧

核心建议

用好AI编程的核心不是AI有多强，而是你会不会问。

这三个技巧组合使用，可以让AI编程效率提升数倍：

1. 开始之前： 给足上下文（技巧1）+ 指定技术栈（技巧3）→ 让AI"进入你的项目"
2. 执行之中： 分步骤执行（技巧2）+ 明确错误处理（技巧9）→ 让AI"按你的节奏走"
3. 完成之后： AI Code Review（技巧7）+ 迭代追问（技巧10）→ 让AI"帮你优化到最好"

最后的提醒： AI生成代码后务必自己阅读和理解。不要"粘贴即信任"。2026年的AI编程工具已经足够强大，但最终对代码质量负责的——是你自己。