最近在研究 AI Native 的开发工作流，发现很多人抱怨给 AI 丢一个长篇的 PRD 或需求文档后，它生成的代码往往逻辑混乱、顾此失彼，最后修改 AI 代码的时间比自己手写还长。
其实，核心问题在于缺乏约束和工程化的拆解。
今天分享一套我最近在后端优化需求中跑通的 Prompt 框架。这套工作流借鉴了 Github 上的 agent-skills 思想，结合 SDD (Spec-Driven Development) ，通过强制 AI 遵循特定的 .mdc（Markdown Context）规则，将庞杂的后端开发任务变成了可控、可测、增量交付的标准流水线。
废话不多说，直接上实战 Prompt 笔记。
阶段一：需求投喂与上下文建立
💡 目标：不要让 AI 立刻写代码，先让它完全吃透你的需求文档。
Prompt 1:
《XXX0319优化需求V2.docx》帮我进行后端的开发需求梳理
说明：这一步是基础，让 AI 提取核心业务逻辑、数据表变更和接口需求。确保它理解的 V2 版本需求与你大脑中的蓝图一致。
阶段二：大脑规划（核心拆解）
💡 目标：这是整个工作流的灵魂。我们通过注入 4 个核心的开发原则（Rules），强制 AI 像一个经验丰富的架构师一样，把大需求拆解成可以进行 TDD（测试驱动开发）的微小切片（Slice）。
Prompt 2:
你已经收到《XXX0319 优化需求 V2 后端开发梳理》完整 Spec。
请严格遵循以下 rules（必须全部遵守）：
spec-driven-development-agent.mdc（基于 Spec 进行所有开发）incremental-implementation.mdc（分解成小而独立的、可单独验证的 slices，每个 slice 必须有明确目标、涉及模块/文件、验收标准、TDD 测试点、前置依赖）test-driven-development.mdc（每个 slice 优先考虑测试验收点）code-review-and-quality.mdc（Five-axis review）任务要求：
- 把整个 V2 优化需求拆分成 6-10 个小而独立的开发 slices。
- 每个 slice 必须包含：
- Slice 名称（简短清晰）
- 目标与范围（严格限制在本 slice 内，不要越界）
- 涉及的主要模块/文件（列出具体 Java 类、Mapper、SQL、枚举等）
- 数据库变更（如果有，写出 Flyway/SQL 脚本片段）
- 验收标准（可测试的点，包括边缘 case）
- 前置依赖 slices（如果有）
- 建议验证方式（单元测试、集成测试、手动构造数据等）
执行建议：
优先级顺序建议从基础开始：数据库 + 枚举 → 地铁识别核心 → 积分计算 → 审核流程 → 商品/订单/百科优化 → 统计与回归。
输出格式：
使用 Markdown 表格 + 详细编号列表。先输出整体 slices 列表（带优先级），然后逐个详细描述每个 slice。
⚠️ 警告：不要直接写任何实现代码！先给出这个拆分计划，我审核确认后再逐个执行。
为什么这招管用？
- 控制爆炸半径：把 AI 的注意力限制在当前切片。
- 测试前置：逼迫 AI 在写业务逻辑前，先想好怎么测（TDD 思想的完美落地）。
- 人工介入（Human-in-the-loop）：最后一句是防暴走的防线，确保架构走向在我们的掌控中。
阶段三：机械手执行（严格打码）
💡 目标：计划确认无误后，让 AI 化身无情的打字机，严格按照切片逐一落地代码。
Prompt 3:
现在执行 Slice 1：[替换为具体 slice 名称，例如 "任务 1：数据库和枚举变更"]
严格遵循：
spec-driven-development（完全基于 V2 Spec）incremental-implementation（本次只做本 slice，不要碰其他功能）test-driven-development（先规划测试点）code-review-and-quality（完成后自行做 Five-axis review）请按以下步骤执行：
- Plan：详细说明本次变更涉及的文件、SQL、枚举修改
- Implementation：输出代码变更（使用 diff 格式或输出完整文件）
- Tests：添加/修改相关测试用例
- Verification：说明如何验证（包括构造的测试数据）
⚠️ 注意：完成后请告诉我 "本 slice 完成，可进行 code review"。只修改本 slice 相关的代码，严禁改动或捏造其他模块。
总结
这种 "梳理需求 -> 架构拆解切片 -> 逐个隔离交付" 的模式，彻底治好了我对 AI 生成代码的不信任感。通过引入外部技能库（如 agent-skills）中的规范约束，AI 从一个"随意的代码生成器"变成了一个"带测试覆盖率的流水线工人"。
AI 工具的进化日新月异，掌握这些深度的 Prompt 工程技巧，才是我们在 AI 时代保持核心竞争力的关键。
如果你也对 AI Native 研发流感兴趣，欢迎留言交流！