目录前言1 为什么会问成了核心技能1.1 从会写到会指挥1.2 四项基本功总览2 基本功一提示工程2.1 提示的本质把模糊需求翻译成可执行指令2.2 五段式模板角色 任务 约束 示例 输出2.3 三个最常见的错误3 基本功二上下文管理3.1 上下文决定质量上限3.2 三类必给的上下文3.3 上下文管理的两个技巧4 基本功三结果验收4.1 为什么验收是最关键的一步4.2 验收四问4.3 三层验收标准5 基本功四迭代能力5.1 一次答对是例外迭代是常态5.2 迭代的三种动作5.3 一个完整的迭代案例6 四项基本功的练习路径6.1 从模板到内化6.2 每周练习安排结语参考资料前言第一次用 AI 编程工具的人通常都会经历类似的一幕你对它说帮我写个登录功能它秒回一大段代码你兴冲冲复制进项目运行报错。你把这个报错再贴给它它又给你一版再报错再贴……几个来回之后你开始怀疑到底是它在帮我还是我在帮它调试这个场景说明一个事实AI 编程工具用得好不好从来不取决于工具本身而取决于使用者的基本功。和 AI 协作就像带一个新同事你把任务描述得越清楚、给的背景越充分、验收标准越明确它的产出就越靠谱。本文将拆解与 AI 协作的四项基本功——提示、上下文、验收、迭代——并给出每项的模板、常见错误和练习方法让你从会用走向会用得好。1 为什么会问成了核心技能1.1 从会写到会指挥编程范式的迁移把写代码的重心让给了 AI也把新的责任交到了人手里描述需求、提供背景、判断结果、持续修正。这种变化已经被数据证实。LeadDev 面向 883 名工程负责人的调查显示53% 的受访者把提示工程列为接下来一年最重要的学习方向60% 的人计划重点学习如何管理 AI 智能体[1]——这两项本质上都是指挥技能。换句话说会写代码正在从核心竞争力退位为基本配置会指挥 AI 才是新的分水岭。1.2 四项基本功总览笔者把会指挥拆解成四项可训练的基本功如表 1 所示。表 1 与 AI 协作的四项基本功基本功解决什么问题练到什么程度提示工程把需求说清楚AI 才知道做什么能用模板一次性说清角色、任务、约束上下文管理给够背景AI 才答得准知道该贴什么、怎么组织信息结果验收判断产出对不对防止隐患能对任何 AI 代码说出哪里对、哪里错迭代能力从差一点到正确能系统化地追问、补充、逼近答案这四项是顺序关系也是循环关系提示决定起点上下文决定质量上限验收守住底线迭代负责收敛。下面逐一展开。2 基本功一提示工程2.1 提示的本质把模糊需求翻译成可执行指令提示工程Prompt Engineering听起来很玄本质却很简单把大脑里模糊的想法翻译成 AI 能执行的具体指令。AI 不会读心你描述得越含糊它就只能靠猜猜得越离谱返工就越多。Anthropic 官方提示工程指南反复强调的正是这一点指令要清晰、具体最好给出示例和明确的输出格式而不是帮我做点东西这种开放式要求[3]。2.2 五段式模板角色 任务 约束 示例 输出一个好用又容易上手的模板是 PPT 中现场演示使用的五段式如表 2 所示。表 2 五段式 Prompt 模板以作业提交系统为例段落作用示例角色定质量基线你是一位资深 Python 后端工程师任务划定范围实现作业提交、查看、打分与评语功能约束防止跑偏Flask SQLAlchemy限制 10MB禁止明文密码示例统一格式错误响应统一为 {“code”: 1, “msg”: “…”}输出省去返工给出目录结构、全部源码、requirements.txt、运行说明为什么要这样写角色让 AI 按高水准作答任务圈定边界约束挡住常见坑示例统一风格输出格式则决定你拿到的是能用的工程还是一堆散代码。五个部分各司其职缺一不可。2.3 三个最常见的错误知道了模板还要避开三个高频错误第一个是提示过于笼统。“帮我优化这段代码等于什么都没说改成这段代码在数据量大时变慢请找出瓶颈并给出优化方案说明理由”AI 才知道该往哪个方向使劲。第二个是信息一次性塞太多。把整个项目几百行代码全部粘进去AI 反而抓不住重点应该聚焦当前任务只给相关文件和相关片段。第三个是缺少验收约束。不提请说明你的修改会影响哪些文件AI 就不会主动交代出了问题你只能满项目找。把约束写进提示是成本最低的防呆设计。3 基本功二上下文管理3.1 上下文决定质量上限提示解决要什么上下文解决基于什么。AI 没有打开你的项目它对代码库的全部了解都来自你给它的那几段文字。上下文给得越充分它的回答越贴合你的实际情况上下文缺失再好的提示也会答偏。3.2 三类必给的上下文实践中有三类上下文几乎每次都要给第一类是相关代码。报错就贴完整的报错信息加出错文件的关键片段别只贴一句话改功能就贴目标函数和调用它的地方。第二类是项目结构。说明这是一个什么项目、用什么框架、目录怎么组织AI 才能给出符合项目惯例的方案而不是另起炉灶。第三类是约束与背景。数据库用什么、部署环境是什么、有没有历史决策——这些你没说它就不知道的信息决定了产出是否可用。3.3 上下文管理的两个技巧技巧一先让 AI 复述再动手。重要任务可以先问它根据以上信息请复述你的理解和计划确认理解一致后再让它写代码能避免大量返工。技巧二把项目规范沉淀成文档。像 CLAUDE.md、项目 README 这类文件把约定写进去每次让 AI 先读它再工作等于给 AI 配了一份入职手册长期效率提升非常明显。4 基本功三结果验收4.1 为什么验收是最关键的一步如果说前三项基本功决定效率验收决定的就是生死。因为 AI 的产出并不天然正确——Stack Overflow 2025 年的调查显示66% 的开发者抱怨 AI 答案差一点就对了45.2% 的人觉得调试 AI 代码反而更耗时[2]。如果看不懂就粘贴等于亲手把隐患装进项目。GitClear 的长期数据也印证了这一点随着 AI 辅助编码普及代码仓库中写完两周内被修改或撤回的比例从约 16% 上升到约 19%[4]。AI 生成代码正在推高返工率。4.2 验收四问拿到 AI 的产出别急着说跑通了就算完。依次问四个问题第一对不对结果是否满足需求边界条件是否处理空输入、并发、大文件第二安不安全有没有硬编码密钥、SQL 注入、越权访问这类问题 AI 特别容易犯。第三快不快性能是否合理有没有明显低效的写法第四合不合规是否符合项目规范和团队约定能不能被后人维护4.3 三层验收标准四问之外验收还有三个层次能运行只是第一层逻辑正确、覆盖边界是第二层符合工程规范、可长期维护是第三层。对学生而言至少要练到第二层——能对任何 AI 代码说出哪里对、哪里错、为什么。5 基本功四迭代能力5.1 一次答对是例外迭代是常态很多初学者把AI 一次给出正确答案当成理所当然答错了就换工具、换模型陷入重开一局的循环。实际上迭代才是与 AI 协作的正常节奏一项针对 91 名软件工程师的学术调研发现熟练使用 AI 的开发者普遍采用多轮迭代对话而不是一次性提问——追问、补充、修正逐步逼近正确答案[5]。5.2 迭代的三种动作迭代不是无脑重试而是系统化的三个动作动作一是追问澄清。发现回答偏离需求时先指出偏差再补充细节而不是笼统地说不对重来。动作二是补充约束。AI 答偏往往是因为约束不够把漏掉的边界条件、技术限制补进去下一轮质量会明显提升。动作三是换工具或换思路。同一个问题对话模型、IDE 补全、终端智能体的擅长点不同一种形态反复失败时换一种协作形态常常能突破。5.3 一个完整的迭代案例用生成登录功能演示一次真实迭代如表 3 所示。表 3 与 AI 的一次完整迭代轮次发生了什么人的动作第一轮AI 给出基础登录代码可运行验收发现密码是明文存储第二轮补充约束用哈希加密密码AI 改用哈希但缺少防暴力破解第三轮再补充加入登录限流和错误提示代码完整测试通过验收通过三句话总结这个案例第一轮发现问题第二轮补约束第三轮补边界。每一次迭代都在缩小差一点的距离直到它变成正好。6 四项基本功的练习路径6.1 从模板到内化四项基本功的练习建议遵循先套模板、再谈灵活的顺序。第一周老老实实用五段式写提示把上下文三类信息列全对每段产出做验收四问两到三周后这些动作会变成肌肉记忆你不再需要逐条对照模板也能自然地把该给的信息给全。6.2 每周练习安排给自己排一个四周的练习计划如表 4 所示。表 4 四周练习计划周次练习重点交付物第一周五段式提示 三类上下文3 个用模板完成的小功能第二周验收四问 三层验收为 AI 代码写 3 份评审记录第三周系统化迭代记录 3 次补充约束后明显变好的案例第四周综合实战1 个完整小项目全程用 AI 协作完成结语把四项基本功串起来就是一次完整的 AI 协作循环用五段式把需求说清楚把上下文给足认真验收每一段产出再通过迭代把它逼近正确。循环的次数多了你会在某个时刻突然发现和 AI 协作已经像写代码一样自然成了身体的一部分。练成这项能力的唯一方法和在真实项目里练写作代码完全一样——动手。从本周开始给你的每一个 AI 任务都套上模板给每一段产出都做一次验收坚持四周你会看到明显的差别。参考资料[1] LeadDev. AI Impact Report 2025调查 883 名工程负责人. https://leaddev.com/wp-content/uploads/2025/08/THE-AI-IMPACT-REPORT-2025-download__LDMO__.pdf[2] Stack Overflow. 2025 Developer Survey · AI. https://survey.stackoverflow.co/2025/ai/[3] Anthropic. Prompt Engineering Overview官方提示工程指南. https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview[4] GitClear. The Maintainability Gap: AI Code Quality in 2026. https://gitclear-public.s3.us-west-2.amazonaws.com/The_Maintainability_Gap_August_2026_GitClear_AI_Research.pdf[5] arXiv. Prompting in Practice: Investigating Software Developers’ Use of Generative AI Tools. https://arxiv.org/html/2510.06000v1/注文中统计数据、模型版本等信息会随时间变化数据截至 2026 年 10 月。