目录

• 一、前言：我的AI辅助开发之路
• 二、COSTAR框架：让prompt更结构化
• 三、伪XML格式：长上下文下的结构化技巧
• 四、AI任务边界：不是所有事情都适合交给AI
• 五、Claude Code实战技巧
• 六、进阶技巧锦囊
• 七、总结

---

一、前言：我的AI辅助开发之路

这两年，AI辅助开发已经成为程序员的日常工作方式。从最开始的"尝鲜"，到如今"离不开"，我经历了漫长的探索过程。说实话，刚开始用AI写代码的时候，我也踩过不少坑——prompt写得含糊不清，AI就给我胡编乱造；任务描述太复杂，AI直接失去焦点；甚至有时候连我自己都不知道想要什么结果，却指望AI能读懂我的心思。

后来我逐渐明白了一个道理：AI不是万能的，但用对了方法，它能成为你最得力的编程助手。

在这个过程中，我总结出了一套自己的方法论：从结构化prompt（COSTAR框架），到任务边界的清晰划分，再到Claude Code的各种实用技巧。这些都不是什么高深的理论，而是我在日常开发中反复验证、调整后的实践总结。今天把这些经验分享出来，希望能让你少走一些弯路。

---

二、COSTAR框架：让prompt更结构化

说到prompt工程，就不得不提COSTAR框架。这个框架源自2023年新加坡的一场prompt大赛，现在已经被广泛引用。

COSTAR是六个单词的缩写：

• Context（背景）
• Objective（目标）
• Style（风格）
• Tone（语气）
• Audience（受众）
• Response Format（响应格式）

听上去很完善对吧？但我在实际使用中发现，完整的COSTAR框架过于繁琐。每次写个简单的代码任务都要填满这六个维度，反而降低了效率。

于是我做了一些精简：去掉风格和受众。这两个维度在大多数编程场景下并不是必需的，而且通常可以直接定义在系统提示词中，作为全局设定。

我现在使用的简化版框架更注重核心要素：

• 背景：我要解决什么问题？
• 目标：我期望得到什么结果？
• 响应格式：输出应该是什么形式？

这种精简后的框架既保留了结构化的优势，又不会因为过度设计而影响使用体验。

---

三、伪XML格式：长上下文下的结构化技巧

在向AI传递信息时，格式的一致性至关重要。我见过太多人在同一个prompt里混用各种格式——一会儿用引号，一会儿用尖括号，一会儿又来个JSON。结果就是AI也跟着混乱，输出结果往往不尽如人意。

我的建议很简单：根据上下文长度选择一种格式，贯穿始终。

• 短上下文：用引号或空格分隔即可，简单直接
• 长上下文：统一使用XML标签，结构清晰

<task>
  <description>重构用户登录逻辑</description>
  <requirements>
    <item>支持邮箱和手机号登录</item>
    <item>增加验证码校验</item>
  </requirements>
</task>

坚持使用一种格式，能让AI更容易理解你的意图，减少"理解偏差"带来的返工。

---

四、AI任务边界：不是所有事情都适合交给AI

这是我认为最重要的一点：你必须清楚知道AI的能力边界在哪里。不是所有任务都适合交给AI，强行让AI做超出能力范围的事，只会浪费你的时间去验证结果是否正确。

我习惯把任务分为三个等级：

能力内的任务：提升效能的最佳场景

这类任务AI可以独立完成，你只需要稍作检查。例如：

• 写一段格式化日期的代码
• 解释一个函数的作用
• 生成单元测试框架

这种场景下，AI就像是你的"快捷键"，能显著提升开发效率。

略微超出能力的任务：性价比最高的区间

这类任务AI不能完全独立完成，但能给你一个很好的起点。你需要花更多时间去引导、验证和调整。例如：

• 设计一个完整的数据库schema
• 重构一个复杂模块
• 分析代码性能瓶颈

这种任务的性价比其实很高——虽然需要你多投入一些时间，但AI能帮你完成80%的基础工作，剩下的20%才是真正需要你发挥专业能力的地方。

远超能力的任务：只适合demo和问答

这类任务AI的表现会非常不稳定，你甚至无法判断它的回答是否正确。例如：

• 设计一个从未有人做过的系统架构
• 处理涉及复杂业务逻辑的遗留代码
• 需要深度理解特定领域知识的问题

对于这类任务，我的建议是：**只用来写demo或者作为问答参考，绝对不要直接用于生产环境。**你无法信任一个你无法验证的结果。

---

五、Claude Code实战技巧

COSTAR框架和任务边界是"道"，而具体的使用技巧是"术"。下面分享一些我在Claude Code中常用的实战技巧。

精确信息：善用get_file功能

Claude Code有一个很实用的get功能，可以精确选择需要发送给AI的文件。不要一股脑把整个项目都丢过去——信息量过大会让AI失去焦点。

我的一般做法是：

1. 先用一句话描述任务
2. 让AI分析需要哪些文件
3. 用@精确选择这些文件

这样既能保证AI有足够的上下文，又不会因为信息过载而偏离主题。

焦点控制：上下文过多是双刃剑

很多人觉得"给AI的信息越多越好"，这是一个误区。上下文确实重要，但焦点更重要。

就像和人聊天一样，如果对方东拉西扯说了一大堆，你还能抓住重点吗？AI也是一样。当上下文过长时，它会逐渐失去焦点，开始"记不住"之前的内容。

所以，只给最有价值的信息，其他的等AI需要时再补充。

任务粒度：太细总比太粗好

上下文是有限的，如果任务粒度太粗，AI可能执行到一半就开始"幻觉"或者忘记之前的约定。

我见过一个极端的例子：有人一次性让AI"帮我重构整个项目"。结果可想而知，AI写到一半就开始自相矛盾，最后还不如人工重写。

把任务拆得足够细，让AI一步步完成。虽然看起来麻烦，但效率反而更高，因为你不需要花大量时间去返工。

分治思想：外部文件当作"硬盘"

如果你实在没法压缩任务规模，那就用"分治法"来解决。

把大任务拆分成多个阶段，每个阶段的结果保存到外部文件中。这些文件就像是AI的"外存硬盘"，可以在需要时重新加载。

例如：

1. 第一阶段：分析需求，把分析结果写入requirements.md
2. 第二阶段：设计架构，把设计方案写入architecture.md
3. 第三阶段：读取前两个文件，生成代码

每个阶段完成后，可以用一个"总结任务"把各阶段结果汇总。这样既能保证上下文的连贯性，又不会因为单次任务过长而出问题。

Claude的Flow功能其实就是这个思想的官方实现。

---

六、进阶技巧锦囊

除了上面这些核心技巧，还有一些"锦上添花"的功能值得了解。

/memory 与 CLAUDE.md：项目规范管理

如果你的项目有特定的编码规范或约定，可以通过/memory命令编辑CLAUDE.md文件，把这些规范写进去。

这样AI在处理项目相关任务时，会自动参考这些规范，不需要你每次都重复强调。这对于团队协作尤其有用。

Browser MCP：让AI控制浏览器

Claude Code支持MCP（Model Context Protocol）插件，其中有一个很实用的browser-use-mcp-server。

有了它，AI可以直接控制浏览器进行网页操作——比如自动填写表单、抓取网页数据、验证页面功能等。这在需要和网页交互的场景下非常方便。

---

七、总结

AI辅助开发不是"一键生成代码"那么简单，它更像是一种"协作模式"。你需要：

1. 用结构化的方式表达需求（COSTAR框架）
2. 清楚知道AI能做什么、不能做什么（任务边界）
3. 掌握具体工具的使用技巧（Claude Code实战）

这三者缺一不可。

希望这些实战经验能对你有所帮助。记住，AI是你的助手，不是你的替代品。用对了方法，它会让你的开发效率成倍提升；用错了，它只是一个会"胡言乱语"的聊天机器人。

---

部分资料参考来源： https://mp.weixin.qq.com/s/6j-MqSrJz5YlKAe2LZW6pg