把各路AI加上聊天对象，开启和AI一问一答的日子也有些时候了。参考和女孩聊天有《魔鬼搭讪学》，和领导聊天有《向上管理的艺术》，和AI聊天，尤其是在开发场景下对提示词的编写，似乎也应该有一套行之有效的办法——理论很多，但概念多却干货少——于是瞬感有必要分享一下个人与AI掰扯的经验。需要说明的是，本文主要针对行业内人士，对业外人士帮助有限，如有兴趣但确实不甚明白，可转发千问/元宝/豆包帮助理解，或者放弃理解以节约宝贵的生命：
语言是一种跨越所有智能水平的界面。—— Kevin Weil
具体+精确，别含糊又宽泛
不够好的例子：帮我优化一下代码
更好的例子：帮我优化一下文件@src/frontend/xxx/xxx.js:123:220 的代码（使用@定位文件，使用:定位行数），减少冗余逻辑
当你告诉AI你要做“什么”，这个“什么”最好说清楚，可别让AI把目标指向了整个项目，且不说一个项目的token量有多大（你应该是知道token决定用量，用量决定金钱，而金钱等于生命的吧？），更重要的是对于整个项目的优化方向就太多了，如果是前端项目，是优化图片（体积？格式？）还是优化项目结构（路由？权限？）又或者是优化依赖（更新版本？替换插件？）。其实当你打出这行提示词时，可能潜台词只是希望AI优化一下刚刚完成的新功能代码中冗余的逻辑。那么为什么让AI去猜呢？虽然猜确实是AI最擅长的事情，但猜来猜去可并不能提升效率，而提高效率不正是你使用AI的目的吗？本末倒置，缘木求鱼说的就是你了。
反过来，如果你想AI输出特定的格式，直接附上一个json数据，绝对比你写上几十字描述要有效得多。
Linux 之父 Linus Torvalds有句名言：Talk is cheap. Show me the code。能用代码的地方请亮代码，能用数据的地方请贴数据。就好像有人问你想吃什么的时候，你回答“辣的吧”，效果绝对不如“那就世界城那家海底捞吧不要鸳鸯锅”。
换行+补充，别一句话开干
不够好的例子：帮我优化一下刚才完成的xxx文件的xxx行到yyy行，减少冗余逻辑
更好的例子：
帮我优化一下刚才完成的xxx文件的xxx行到yyy行：
1、主要是减少冗余的逻辑，移除合并不需要的变量
2、修改后检查，不要影响现有逻辑
3、如果有其他建议也告诉我，由我来决定是否应用
当你告诉了AI做“什么”，确定了做“哪些”，第三步则一定是尽可能补充细节，划定范围。细节越多，AI执行任务的精准度越高；边界越清晰，AI犯错（比如影响现有逻辑，虽然是无意的）的机会也越小。
刚开始AI编程时，面对一个聊天窗口，总会下意识地使用和人聊天的习惯，输入几个字就迫不及待按回车，细节后面一条条再补充。如果对面是人类，这个习惯一点问题没有，毕竟发十句话骂人，都不影响对方回一句傻逼。但AI稍有不同，每一次的输入+反应+推理+执行都是一场盛大的token燃烧（说来说去还是钱？好像是这个意思），而且相信我，让AI来回改十次得到的代码质量绝对不如一次就做好的效果，这就好像你驱使一台机器前后左右八个方向来回掰扯，怎么都不会比开始就定好方向然后笔直地前进更有效率。
跟AI对话不应该是发微信，而应该是写邮件。不是随口一句，而应该是字斟句酌；不是发十句话表达一个意思，而应该是一个意思写到完整的十句话再点发送。想象中的聊天对象，不应该是身边朋友，没说清楚就多说几句；而应该是地球对面的外国人，一个误解就导弹锁定了。只是这个外国人因为收了你大笔token费用的关系，态度比较好，反应比较快罢了。
分步骤，别一股脑去做
如果是简单任务，基本上一句话也能把细节讲到足够清楚和具体。但任务一旦复杂度上来了，就千万别寄希望于用一句话说明白——就算能说明白，也别这样做。继续以“优化代码”举例：
不够好的例子：帮我优化xxx文件，主要是减少冗余逻辑，移除合并不要的判断，修改后执行检查，有其他建议也可以告诉我
更好的例子：
（如果xxx文件比较大）
帮我优化xxx文件，考虑按以下步骤优化：
第一步，减少冗余的代码逻辑，包括可以合并的变量、不会走的else语句、多余的判断
第二步，执行eslint验证，确保无类型问题
第三步，执行测试（方法单测、功能冒烟测试等），确保功能正常，不影响现有逻辑
第四步，评估其他可优化项目，中文输出md格式文档
可能这个例子还是属于比较简单，尚在AI可以轻松hold住的范围，步骤也可以直接由人给到AI。如果涉及到架构调整、全局优化，则考虑让AI给出任务规划——也就是传说中的规划模式（planing mode），让AI给你提问题，确定目标，划定范围，拆解任务，列出步骤，输出得到一个类似计划书的文档。然后让AI按步骤执行，随时反馈：执行到哪一步，进度百分之多少。
如果你任务足够复杂，预算/时间也充足，我还有个私藏的建议：换个AI，货比三家。
多AI车轮战，别一棵树吊死
如果把AI当做一种生物，那可能是这个是世界最容易进死胡同，最容易钻牛角尖的生物了。
之前被安排个任务，把AI评估的某项目优化方案落地上线。我接过来一看，言之凿凿几千字，方案、步骤、影响点和改动记录也都写得清清楚楚，不禁感叹智能体取代人类指日可待。但查看git提交记录，打开文件对比，马上发现不对劲了：AI明明说已经改了十几个文件，为什么只看到新增记录没有修改记录？于是再打开电脑的AI编辑器一番分析，原来AI说的和做的根本对不上，说改的文件没改，说拆分合并的逻辑也遗漏了一堆……
长token处理，固然是AI的弱项所在，但复杂任务下AI出的东西果然还是得多检验检验，才敢付诸实施。古话说，尽信书不如无书。现在这话可以改成：尽信AI不如不用AI。我自己在开发中也有类似经验。每次写新页面，开发新功能，AI那速度真是嗖嗖的，比当年从Stack Overflow复制粘贴还快，还没反应过来几千行的代码就给你写好了，界面和逻辑也难以挑剔。但一旦写出bug，想让他改改，却怎么都改不好。十几轮对话之后，听它说了十几遍“啊！我知道了！”之后，我放弃了，打开另一个AI网站，复制粘贴给它分析，一下就定位问题给出结论了。
至少在AI决赛尚未分出胜负之前，把可能有问题的东西多找几位AI进行PK，绝不是件坏事。
重复+强调，别一笔带过
这个技巧来自前段时间Google Research团队发表的论文《Prompt Repetition Improves Non-Reasoning LLMs》，按研究结论，仅仅只是把命令重复一遍，就能把AI回复的准确率从30%提升到70-80%。但其实这个结论只针对于前期流行的非推理模型（也就是因果语言模型），到了2026年，尤其是编程领域的模型，基本都是推理模型了。推理模型不再是简单的猜下一个字，而是基于提示词进行分析+拆解+搜索，相当于模型已经在推理中对任务进行了重复，所以也就不存在需要重复了。
但重复+强调依然是必要的，尤其是在多轮对话后。比如我在第一次命令时，特意要求AI给我提供的多语言翻译要满足key/en/ja/cn换行的格式，几轮对话之后，再让AI补充多语言，它基本就忘了之前要求过格式这回事。另一个常见的问题，是输出文档已经要求了中文，到下次写文档又变成英文了。这可能是AI注意力机制/受限的上下文长度bug。但还好为了增强AI的长期记忆力，rules/skill被发明出来了。
形成rules/skills，别次次都ctrl+v
很容易区分rules和skills：一个是全局执行，全场景生效；一个是专项技能，按需取用。比如跨项目的要求：输出文档需要中文、多语言翻译需要特定的格式，那就是rules。如果需要针对特定技术栈的能力加强，则记得安装对应skills。或者你也可以把一个特定的流程制作成skill，还是以前面说的多语言处理为例：让AI先按特定格式输出，再增补到多语言文件中，最后执行脚本生成json。
不过也不必过于神化rules/skills，以为是啥很高级的东西。两者的本质依然是提示词，只是写成了AI更容易理解的特定格式。（AI：其实我就只会用提示词，妹想到吧）
清理，别聊个没完
最后也是很容易遗漏的一点。每次一早打开AI对话窗口，一轮接一轮的下问/咨询/质疑/拷问/吵架/不欢而散之后，记得在结束一轮任务之后及时清理，用特定命令/clear或者就直接退出重开新对话，否则你的所有历史对话都会作为token的上下文（context），占用大量资源，最后变成了燃烧的额度费……
说到这里不禁意识到，当前AI时代的主要矛盾，不是日益强大的AI智能与逐渐被取代的各行业工人之间的矛盾，而是日益稳固的AI工作流关联的额度费用与逐渐捉襟见肘的钱包之间的矛盾。智能体进步神速，导致AI越用越顺手，用的人越来越多，额度越用越不足，费用也水涨船高，封号限流成了常有之事。虽然公司提供了账号，却在一次次卡住、没反应、504之后，不得不掏出手机，老老实实花几笔刀乐，买一点私人的额度。
继而联想到在《进击的巨人》中，面对可怖的巨人，调查兵团常说一句话：献出我们的心脏！在群雄逐鹿的AI时代，我们这种逐渐深陷于AI便利而终于无法自拔的互联网一线兵种，也不得不咆哮一句：献出我们的钱包！
最后，有必要加一个AI时代的专属标识：
【本文未经任何AI创作/加工/润色，版权私有，100%手搓】
