前言

最近把自己在 AI IDE（如 Cursor、Claude Code、Copilot Chat 等）里的实践做了一次系统复盘。
结论很直接：AI 编程效果好不好，关键不在“咒语”，而在你给它的信息质量和上下文管理方式。

这篇文章把核心经验整理成可直接执行的清单。

一、优化提问技巧：从“命令 AI”转向“喂给 AI 正确信息”

1）优先信息型提示，而不是指令型提示

很多人喜欢写：

你是资深架构师，请用思维链分析并给出最优方案……

这类提示在 IDE 里通常收益有限。因为 IDE 本身已有系统提示，重复角色设定不如直接给业务信息有效。

更推荐：

  • 技术栈（React 18 + TS / Python FastAPI / MySQL）
  • 现有约束（组件库、目录结构、代码规范）
  • 目标能力（要实现什么）
  • 参考文件（让它对齐项目风格）

示例：

项目使用 React 18 + TypeScript，组件库是 shadcn/ui。
需要实现一个带搜索的下拉框，支持异步加载、键盘导航、多选。
风格请对齐 @/components/ui/select.tsx。

2）少样本提示（Few-shot）依然非常有效

如果你希望输出“长得像你项目里的代码”，给 1~2 个样例最省事。
特别是接口定义、DTO、错误码格式、日志格式。

示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
按照以下格式生成 API 接口：

[示例 1]
// GET /api/v1/team/list - 获取团队列表
// 参数：page, size
// 返回：{ teams: Team[], total: number }

[示例 2]
// POST /api/v1/team/create - 创建团队
// 参数：name, description
// 返回：{ id: number, created_at: string }

[新需求]
// POST /api/v1/team/app/create - 创建团队应用
// 参数：teamId, appName, appType
// 返回：{ id: number, app_key: string }

3）避免”多数解”陷阱

AI 倾向于输出训练数据中最常见的方案，但这往往不是你的项目最优解。
你需要主动提供项目特定的最佳实践。

示例（React 项目）：

  • 使用函数组件 + Hooks，避免 class 组件
  • 状态管理优先用 Zustand，复杂场景用 Jotai
  • 所有组件用 TypeScript，禁止 any 类型
  • 样式用 Tailwind CSS，禁止内联 style
  • 组件文件按功能组织，不是按类型组织

同时，附上相关文档链接（如官方文档、最佳实践文章）效果更好。

4）使用 llms.txt 提供项目摘要

在项目的根目录放置一个 llms.txt 文件，让 AI 快速理解项目结构和关键信息，避免让 AI 爬取整个代码库。

llms.txt 内容建议包含：

  • 项目名称 + 简短描述
  • 技术栈（Frontend/Backend/Database）
  • 项目结构、工作原理
  • 关键文档链接（API 文档、组件规范、部署流程）
  • 代码规范（ESLint 配置、提交规范）

二、会话延续方法：别让 AI 忘了进度

1）新开会话时提供上下文摘要

当会话过长、AI 输出不稳定，或需要切换工作流时，建议新开会话，并先“塞”上下文进去：

读取 llms.txt 帮我分析项目的：

  • 核心业务逻辑
  • 关键数据结构
  • 重要依赖关系

然后根据分析结果，通过对话纠正 AI 让它理解正确。这时候再提需求，AI 就能跟原项目配合得更好。

2）使用 Git Commit 延续工作

通过标准的 commit message 记录进度，新会话时让 AI 读取最近的提交继续工作。

示例：

  • Commit：feat(auth): 实现 JWT 认证和 refresh token 机制
  • 新会话提示：“从 commit feat(auth) 开始继续，下一个要实现角色权限系统”

IDE 的 Git 界面通常都支持由 AI 生成 commit message，非常方便。

3）使用 ChangeLog 追踪进展

让 AI 根据 git log 生成 ChangeLog，快速了解项目进展和历史变更。

三、上下文管理策略

1）使用 DeepWiki 生成项目 Wiki

使用 DeepWiki 为 GitHub 仓库生成完整 Wiki，AI 可通过 MCP 工具提问获取上下文。
对开源项目二次开发时，可以直接下载项目的文档放到目录下的 docs 目录，让大模型读取。

2）主动提供 API 规范（OpenAPI）

从 Apifox 等工具复制 OpenAPI 规范（Swagger/YAML），让 AI 基于规范生成 API 代码。
这样生成的接口格式更准确、字段更完整。

3）使用图片作为 UI 实现上下文

AI IDE 基本都支持“看图说话”：

  • 先让 AI 描述图片布局，验证它理解正确
  • 提供组件列表，让 AI 选择复用
  • 必要时明确告知需要使用的抽象组件

图片不一定要高清或专业设计，甚至手绘的草图都可以。

4）上下文压缩时尽量新开会话

当上下文窗口有限时，优先保留：

  • 核心业务逻辑
  • 关键数据结构
  • 重要依赖关系
  • 已验证的解决方案

但压缩必然丢失信息，且对话轮次多了之后，语言的歧义会被放大。
更推荐的做法是：按前面第 2.1 条，直接新开会会话，塞入精简但准确的上下文。

四、其他高效使用技巧

1）渐进式使用 AI

推荐流程：

  1. 生成基础框架
  2. 逐个实现具体功能
  3. 优化和重构
  4. 添加测试和文档

2）验证和审查 AI 生成的代码

始终审查 AI 生成的代码！

重点关注：

  • 逻辑正确性
  • 安全性（SQL 注入、XSS、权限漏洞等）
  • 代码规范（命名、结构、注释）
  • 测试覆盖

五、参考资料

说明：本文部分资料来源于网络搜集，内容基于个人实践总结，仅供参考，不代表适用于所有人。