AI 工程实战：一套可复用的提示词库与质量门禁，如何让 AI 辅助研发「可验证、可沉淀」

学习日记5252026-08-16 11:44

AI 工程实战：一套可复用的提示词库与质量门禁，如何让 AI 辅助研发「可验证、可沉淀」

摘要：本文从"AI 工程"的认知边界出发，拆解 AI 幻觉的成因，提出一套 通用的 AI 辅助研发方法论：用「标准提示词库 + 文档模板库 + 语言适配层 + 质量清单」六道约束，把 AI 从"聊天工具"变成"可验收的研发环节"。同时给出贯穿 12 个阶段的角色分工、瀑布/敏捷双流程调度，以及一套可落地的 AI 输出验证标准。

目录

  • [一、我对 AI 工程的认识](#一、我对 AI 工程的认识)
  • [二、AI 幻觉从哪来，我如何规避](#二、AI 幻觉从哪来，我如何规避)
  • [三、全链路 AI 辅助研发工作流](#三、全链路 AI 辅助研发工作流)
  • 四、提示词模板的沉淀与设计
  • [五、如何验证 AI 的输出](#五、如何验证 AI 的输出)
  • [六、阶段 × 角色 × 任务的拆解分析](#六、阶段 × 角色 × 任务的拆解分析)
  • 七、总结与展望

一、我对 AI 工程的认识

1.1 先厘清三个概念：模型 / Harness / AI 工程

很多人把"用 AI 干活"笼统地叫"提示词工程"，其实这个认知会把自己的工作价值读窄。我理解的技术栈分四层：

层 是什么 谁负责 举例
模型层 LLM 本体 厂商 GPT / DeepSeek / Claude
Harness 层 Agent 运行时：工具调用、子代理派发、工作流编排、沙箱 平台/框架作者 LangGraph、Cursor Agent、各类 Harness
AI 工程层 给 Agent 装配"大脑"：角色规范、提示词、模板、知识库、流程、质量门禁 开发者（我） 本文的方法论资产包
└ 提示词工程 上面这一层中的一个子集：设计 prompt 我 prompts/

结论：我做的不是 Harness 工程，也不只是提示词工程，而是 Agent 工程 / 上下文工程（Context Engineering）。

Harness 是"引擎"，提示词是"汽油"，我做的是"整车的驾驶规范与标准流程"------决定 AI 在什么场景、以什么角色、按什么结构、交付什么标准、如何自检。

1.2 T 型人才：AI 负责深度，人负责广度

AI 打破了知识的壁垒，但没有打破"决策责任"和"场景上下文"的壁垒。我的核心判断是：

  • AI 擅长深度：给定明确的边界和上下文，它能比人更快、更细地生成代码、文档、用例。
  • 人必须负责广度 ：用什么项目管理方法、为什么这时候用、有什么取舍；用什么存储、什么时候上云、成本与风险如何权衡；不同公司有不同的权限体系，某个按钮为什么不能对某个角色显示......这些是 AI 拿不到的、也是它不该替人拍板的东西。

这些"场景上下文 + 决策责任"，必须由懂业务的人先对需求进行拆解，再喂给 AI。所以我的定位很明确：AI 是辅助，我是第一责任人，输出必须过我的审查。

二、AI 幻觉从哪来，我如何规避

2.1 幻觉的本质

AI 幻觉（Hallucination）不是 bug，而是概率生成 + 缺约束的必然产物。具体三个来源：

  1. 上下文不足：AI 不知道你的项目背景、权限体系、历史决策，只能"脑补"。
  2. 约束不足：prompt 太随意，AI 不知道该按什么结构、什么边界、什么风格输出。
  3. 缺乏验证闭环：生成了就交付，没有人或机制去校验，错误自然沉淀下来。

2.2 我的规避方法论：六道约束

对抗幻觉的本质是给 AI 加约束、加边界、加验证。我沉淀了六道约束：

# 约束 作用 落点
1 模板约束 结构对齐：产出物套固定章节骨架，禁止自由发挥 templates/
2 角色约束 身份对齐：固化 system 角色 + 职责边界 + 禁止行为 每个 prompt 的「角色定义」
3 少样本约束 风格对齐：给示例片段，让 AI 对齐颗粒度与写法 每个 prompt 的「少样本示例」
4 质量清单 交付门禁：生成后逐项自检，不达标重写 每个 prompt 的「质量清单」
5 契约传递 可追溯：上一阶段产出 = 下一阶段输入 方法论的工作流定义
6 事实源单一 规则不冲突：通用规范只定义一次，语言规范只定义一次 方法论 + 适配层

其中 「质量清单」是把隐性质量要求显式化为可勾选项，这是"保证输出质量"最直接的方法，也就是让AI自行根据标准检查一遍自己的输出内容。

三、全链路 AI 辅助研发工作流

我把研发链路拆成 12 个阶段，分成需求侧、设计侧、开发侧三大块：
#mermaid-svg-23VVhZayidnVrjjH{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-23VVhZayidnVrjjH .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-23VVhZayidnVrjjH .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-23VVhZayidnVrjjH .error-icon{fill:#552222;}#mermaid-svg-23VVhZayidnVrjjH .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-23VVhZayidnVrjjH .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-23VVhZayidnVrjjH .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-23VVhZayidnVrjjH .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-23VVhZayidnVrjjH .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-23VVhZayidnVrjjH .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-23VVhZayidnVrjjH .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-23VVhZayidnVrjjH .marker{fill:#333333;stroke:#333333;}#mermaid-svg-23VVhZayidnVrjjH .marker.cross{stroke:#333333;}#mermaid-svg-23VVhZayidnVrjjH svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-23VVhZayidnVrjjH p{margin:0;}#mermaid-svg-23VVhZayidnVrjjH .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-23VVhZayidnVrjjH .cluster-label text{fill:#333;}#mermaid-svg-23VVhZayidnVrjjH .cluster-label span{color:#333;}#mermaid-svg-23VVhZayidnVrjjH .cluster-label span p{background-color:transparent;}#mermaid-svg-23VVhZayidnVrjjH .label text,#mermaid-svg-23VVhZayidnVrjjH span{fill:#333;color:#333;}#mermaid-svg-23VVhZayidnVrjjH .node rect,#mermaid-svg-23VVhZayidnVrjjH .node circle,#mermaid-svg-23VVhZayidnVrjjH .node ellipse,#mermaid-svg-23VVhZayidnVrjjH .node polygon,#mermaid-svg-23VVhZayidnVrjjH .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-23VVhZayidnVrjjH .rough-node .label text,#mermaid-svg-23VVhZayidnVrjjH .node .label text,#mermaid-svg-23VVhZayidnVrjjH .image-shape .label,#mermaid-svg-23VVhZayidnVrjjH .icon-shape .label{text-anchor:middle;}#mermaid-svg-23VVhZayidnVrjjH .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-23VVhZayidnVrjjH .rough-node .label,#mermaid-svg-23VVhZayidnVrjjH .node .label,#mermaid-svg-23VVhZayidnVrjjH .image-shape .label,#mermaid-svg-23VVhZayidnVrjjH .icon-shape .label{text-align:center;}#mermaid-svg-23VVhZayidnVrjjH .node.clickable{cursor:pointer;}#mermaid-svg-23VVhZayidnVrjjH .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-23VVhZayidnVrjjH .arrowheadPath{fill:#333333;}#mermaid-svg-23VVhZayidnVrjjH .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-23VVhZayidnVrjjH .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-23VVhZayidnVrjjH .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-23VVhZayidnVrjjH .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-23VVhZayidnVrjjH .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-23VVhZayidnVrjjH .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-23VVhZayidnVrjjH .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-23VVhZayidnVrjjH .cluster text{fill:#333;}#mermaid-svg-23VVhZayidnVrjjH .cluster span{color:#333;}#mermaid-svg-23VVhZayidnVrjjH div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-23VVhZayidnVrjjH .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-23VVhZayidnVrjjH rect.text{fill:none;stroke-width:0;}#mermaid-svg-23VVhZayidnVrjjH .icon-shape,#mermaid-svg-23VVhZayidnVrjjH .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-23VVhZayidnVrjjH .icon-shape p,#mermaid-svg-23VVhZayidnVrjjH .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-23VVhZayidnVrjjH .icon-shape .label rect,#mermaid-svg-23VVhZayidnVrjjH .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-23VVhZayidnVrjjH .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-23VVhZayidnVrjjH .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-23VVhZayidnVrjjH :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 开发侧
设计侧
需求侧
用户原始需求
① 用户路线图
② 用户画像
③ BRD 商业需求
④ PRD 产品需求
⑤ 功能开发说明书
⑥ 产品开发说明书
⑦ HLD 概要设计
⑧ 接口规范
⑨ 数据流图 + ER图
⑩ 代码生成
⑪ 代码审查
⑫ 测试用例

3.1 每个阶段的输入 / 输出 / 角色

# 阶段 输入 输出 负责角色
① 用户路线图 原始需求 商业目标 → 功能落地路径 业务分析师
② 用户画像 需求 + 路线图 目标用户 / 痛点 / 场景 业务分析师
③ BRD 路线图 + 画像 为什么做、值不值得做 业务分析师
④ PRD BRD 做什么（产品需求） 产品经理
⑤ 功能开发说明书 PRD 拆出的功能点 单功能：需求→交互→接口→验收 产品经理
⑥ 产品开发说明书 PRD + 架构决策 产品级开发总纲 产品经理/架构师
⑦ HLD PRD + 开发说明书 概要设计：分层/模块/选型 架构师
⑧ 接口规范 HLD API 契约：路径/入参/出参/错误码 架构师
⑨ 数据流图 + ER图 HLD + 接口规范 数据建模（Mermaid） 架构师
⑩ 代码生成 设计文档 + 表结构 + 目标语言 目标语言代码 开发工程师
⑪ 代码审查 代码 + 接口规范 审查报告 审查工程师
⑫ 测试用例 说明书 + 接口规范 + 代码 正常/异常/边界用例 测试工程师

3.2 多种管理方法：瀑布 / 敏捷双模式

关键设计理念：资产包是"可复用积木"，瀑布 / 敏捷只是"调度节奏不同" 。提示词、模板、角色、质量清单完全复用，区别只在于什么时候执行哪些阶段。

瀑布模式（需求明确、范围稳定）：按 ①→⑫ 全量依次执行，一次跑完整个链路。

敏捷模式（需求持续变化、增量交付）：

  • 立项跑一次：① 路线图 → ② 画像 → ③ BRD → ④ PRD 总纲 → ⑥ 产品开发说明书 → ⑦ HLD 总体架构
  • 每个 Sprint 循环：从 Backlog 取用户故事 → ⑤ 功能开发说明书 → ⑦ 局部 HLD → ⑧ 接口规范 → ⑨ 增量更新数据流/ER → ⑩ 代码生成 → ⑪ 代码审查 → ⑫ 测试用例 → 评审 → 下一 Sprint

这种"流程与资产解耦"的设计，让同一套方法论既能驾驭瀑布也能驾驭敏捷，这是它区别于一次性 prompt 的地方。

四、提示词模板的沉淀与设计

4.1 从"随手写 prompt"到"沉淀模板"的三步

  1. 发现问题：每次让 AI 写文档，格式漂移、质量忽高忽低、无法复用。
  2. 抽象共性：任何一次高质量产出，都离不开"角色 + 任务 + 结构 + 示例 + 检查"这几样东西。
  3. 固化为模板：把共性抽成固定结构，每类产出物对应一个 prompt 文件，从此只填空、不重写。

4.2 资产包的四层结构

复制代码 
ai-dev-workflow/
├── 方法论.md          # 语言无关、流程无关的"宪法"
├── adapters/          # 语言适配层（换语言只换这里）
│   ├── java.md
│   ├── csharp.md
│   └── python.md
├── templates/         # 文档模板库（产出物骨架，语言无关）
│   ├── BRD模板.md
│   ├── PRD模板.md
│   ├── HLD模板.md
│   ├── 接口规范模板.md
│   └── ...（共 12 个）
└── prompts/           # 提示词库（每阶段固定 prompt）
    ├── BRD.md
    ├── PRD.md
    ├── 代码生成.md
    ├── 代码审查.md
    └── ...（共 12 个）

四层的分工：

层 回答的问题 语言/管理方法相关？
方法论 整体怎么流转、怎么保证质量 无关
提示词库 AI 怎么生成 无关（代码项引用适配层）
模板库 产出物长什么样 无关
语言适配层 命名/分层/代码骨架 相关

4.3 单个 prompt 的「六段式」结构

每个提示词文件固定六段，这是我的模板设计核心：

markdown 复制代码 
# {阶段} 提示词

## 角色定义          ← 你是谁、职责、禁止（角色约束）
## 输入要求          ← 需要喂什么、缺信息就提问（防止脑补）
## 任务              ← 具体生成指令（指向目标）
## 输出模板          ← 引用 templates/ 的骨架（模板约束）
## 少样本示例        ← 对齐风格（少样本约束）
## 质量清单          ← 生成后逐项自检（交付门禁）

六段式对应六道约束里的前四道，再配合"契约传递 + 事实源单一"，就构成了完整的质量体系。

4.4 语言无关的关键设计：适配层

早期版本我把 Java 命名规范直接写进方法论，导致换语言就得改核心。后来我把语言相关的三样东西------命名规范、分层目录、代码骨架------从核心剥离，下沉到 adapters/{语言}.md：

  • Java：方法 camelCase，分层 controller/service/mapper
  • C#：方法 PascalCase，接口前缀 I，分层 Controllers/Services/Repositories
  • Python：snake_case，分层 routers/services/repositories

换语言只换一个适配文件，核心方法论、全部模板和提示词都不动。 这是"语言无关、可扩展"的落地方式，也是最有工程感的点。

五、如何验证 AI 的输出

这是最容易被追问、也最能体现方法论深度的问题。我的答案是三层验证法：态度层 + 硬手段层 + 兜底学习层。

5.1 第一层：人机协同（Human in the loop）

AI 是辅助，我是第一责任人，输出必须过我的审查，绝不直接拿来用。 这是安全底线。

5.2 第二层：硬手段（按产出物分标准）

代码类：

  1. 先看能不能编译、能不能运行、单测过不过；
  2. 再过静态检查（Lint / SonarQube 等）；
  3. 然后人工审查四件事------
    • 安全性（SQL 注入、敏感信息泄露）
    • 性能（循环查库、N+1）
    • 规范（命名、分层是否符合适配层）
    • 正确性（入参出参是否对齐接口契约、边界条件是否覆盖）

文档类：

  • 核心看验收标准是否可量化、可验证 。例如：
    • ❌ 错误：优化首页按钮布局
    • ✅ 正确：将首页 6 个按钮合并为一行水平排列，间距 8px，超出宽度自动换行
  • 再看是否与上游需求对齐、可追溯（PRD 是否对应 BRD，接口是否对应 HLD）。

通用类（质量清单门禁） ：

我给每类产出物定了一个可勾选的质量清单，AI 生成后先逐项自检，我再按清单验收。以代码生成为例：

markdown 复制代码 
## 质量清单（生成后逐项自检）
- [ ] 命名、分层符合 adapters/{目标语言}.md
- [ ] 控制层不含业务逻辑、业务层承担事务、数据层只做数据访问
- [ ] 接口路径/入参/出参与接口规范完全一致
- [ ] 统一返回体 {code, message, data}
- [ ] 入参有校验（非空/格式）
- [ ] 实体含通用字段 id/create_time/update_time
- [ ] 未引入未确认的第三方依赖

交叉验证：存疑的地方，让 AI 给出依据、去查官方文档；重要代码我会开第二个会话/换模型做复核。

5.3 第三层：兜底 + 学习

开发中不可避免会碰到没碰过的技术。这时判断的前提是先建立判断基准：

  • 至少让 AI 逐行讲清楚它为什么这么写、考虑了哪些边界、我的顾虑它怎么处理；
  • 相当于把每条内容完整过一遍，也当自己学一遍；
  • 这次慢，但下次生成同类内容时，就回到第一层的"审查"了。

这三点是递进的：自己懂的走审查，不懂的先建立基准再审查。 长期目标是------AI 负责深度，我负责广度。

六、阶段 × 角色 × 任务的拆解分析

把 12 个阶段按"角色职责"和"任务类型"再拆一层，能更清楚地看到"人机分工"的边界：

角色 负责阶段 核心任务 AI 能做 人必须把关
业务分析师 ①②③ 路线图、画像、BRD 结构化拆解、生成文档 商业目标、用户价值、可行性结论
产品经理 ④⑤⑥ PRD、功能/产品开发说明书 模块拆分、规则细化 需求边界、验收标准、优先级
架构师 ⑦⑧⑨ HLD、接口规范、数据流图/ER 分层设计、图生成、契约定义 技术选型、取舍、风险决策
开发工程师 ⑩ 代码生成 按规范生成代码 代码正确性、是否脑补需求
审查工程师 ⑪ 代码审查 发现问题、定位 问题分级、是否放行
测试工程师 ⑫ 测试用例 生成用例、覆盖核对 场景完整性、验收对应

按"任务类型"的三类拆解

任务类型 阶段 AI 的价值 人的价值 验证重点
决策类（为什么做） ①③⑥ 提供分析框架、罗列维度 拍板、担责 结论是否明确、是否有理由
定义类（做什么） ②④⑤⑧ 结构化、补细节 定边界、定验收 验收标准是否可量化
执行类（怎么做） ⑦⑨⑩⑪⑫ 高速产出、查错 审查、放行 是否对齐契约、是否安全合规

这个拆解的洞察是：越靠"决策"，人的权重越高；越靠"执行"，AI 的权重越高。 所以方法论的正确姿势不是"AI 全包"，而是"人定标准与边界，AI 做高速执行，人做质量验收"。

七、总结与展望

这套方法论解决的核心问题是：让 AI 的产出从"一次性、不可控"变成"可复用、可追溯、可验收"。

  • 认知上：区分了 AI 工程 / Harness / 提示词工程，定位自己是"做 AI 工程"。
  • 方法上：用六道约束（模板/角色/少样本/质量清单/契约传递/事实源单一）对抗幻觉。
  • 工程上：用四层资产包（方法论 + 提示词库 + 模板库 + 语言适配层）实现语言无关、流程无关。
  • 验证上：用三层验证法（态度 + 硬手段 + 兜底学习）守住输出质量。

未来展望：

  1. 把这套资产包进一步"产品化"成可交互的 Web 工具，让不懂 AI 的同事也能复用；
  2. 引入更重的多 Agent 编排（子代理派发、审核门禁自动化），把"人验"逐步变成"机验 + 人抽查"；
  3. 沉淀更多语言适配层（前端 Vue/React、Go 等），扩大通用性。

AI 不会淘汰工程师，但它会淘汰"只会用 AI 输出、不会验证 AI 输出"的工程师。判断力，才是人永远不可替代的部分。

相关推荐
雪隐1 小时前
个人电脑玩AI-16让5060 Ti给你打工——5060Ti 16G 跑 MiniMax-Music-3：从下载到 60s 出歌的全流程
前端·人工智能·后端
watersink1 小时前
机器学习PCA
人工智能·机器学习
海兰1 小时前
【agent应用】DeepSeek Harness (dsh)介绍及安装部署（Ubuntu24.04）使用指南
人工智能·agent
逻辑君1 小时前
科技逆向外语|20260808
人工智能·科技·机器学习
Dawson Zhu1 小时前
面向AI自动化分析的数据仓库建模实践
人工智能·语言模型·架构·制造
民乐团扒谱机1 小时前
【微实验】谐波乘积谱（HPS）算法深度解析：原理、数学与代码实现
开发语言·人工智能·python·算法·语音识别·音乐
tech讯息1 小时前
Agentic BI 云方案选型：哪些平台可支持业务人员自然语言查数并分析原因？
人工智能
黄焖鸡能干四碗1 小时前
信息安全保障方案（Word文件）
大数据·网络·人工智能·架构·区块链
致Great1 小时前
Anthropic 终于把 Claude Code 怎么省 Token 讲明白了。
人工智能
热门推荐
01GitHub 镜像站点02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新042026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？05Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费06历年考研数学一、数学二、数学三真题试卷及答案PDF07VSCode+CodeX扩展，无法启动08AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路092026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片10如何新建文件夹？ 电脑新建文件夹的4种方法