很多开发者用 AI 写代码时，最常见的开头是：

帮我写一个用户管理页面。

AI 确实会很快给你一大段代码。

但真正放进项目里，问题也很快出现：

• 技术栈不匹配
• 接口字段对不上
• 没有处理 loading / error / empty 状态
• 组件拆得太复杂
• 代码能跑，但不太像自己项目里的代码
• 生成一次看着不错，后面维护起来头疼

这时候问题不一定是 AI 不行，很多时候是我们给它的上下文太少。

今天换一个轻一点的思路：
用 JSON 把需求先整理清楚，再让 AI 生成代码。

这个方法不复杂，也不接入任何平台，更不是 API 调用，只是一个本地小工具，适合日常开发时辅助整理提示词。

---

一、为什么要用 JSON 管理提示词？

因为很多需求一开始都很模糊。

比如：

做一个筛选组件。

这句话背后至少要补充这些信息：

信息	示例
技术栈	React + TypeScript + Ant Design
模块位置	用户管理模块
功能目标	用户名、状态、时间筛选
输出格式	先给思路，再给代码
限制条件	不引入新状态管理库
检查重点	loading、empty、error、表单重置

这些信息如果每次都手动写，会比较烦。

所以可以把它们整理成一个固定 JSON 模板，用的时候改几个字段就行。

---

二、先准备一个任务 JSON 模板

比如我们要做一个用户筛选组件，可以这样写：

{
  "role": "Senior Frontend Developer",
  "project": {
    "type": "Admin Dashboard",
    "stack": ["React", "TypeScript", "Ant Design"],
    "module": "User Management"
  },
  "task": {
    "goal": "Build a user filter component",
    "features": [
      "Search by username",
      "Filter by user status",
      "Filter by created date range",
      "Reset all filter conditions"
    ]
  },
  "output": {
    "format": "Implementation plan first, then core code",
    "include": [
      "TypeScript types",
      "Component structure",
      "Edge cases",
      "Review checklist"
    ]
  },
  "constraints": [
    "Do not introduce a new state management library",
    "Keep the component simple",
    "Avoid over-engineering",
    "Use clear variable names"
  ]
}

这个 JSON 的作用不是让代码变复杂，而是帮你把需求说清楚。

你可以把它理解成：
给 AI 的开发任务单。

---

三、用 Python 把 JSON 转成提示词

下面写一个简单脚本，把 JSON 内容转换成适合发给 AI 的提示词。

import json
from pathlib import Path
from typing import Any, Dict, List


def list_to_markdown(items: List[str]) -> str:
    if not items:
        return "- 未提供"
    return "\n".join(f"- {item}" for item in items)


def build_prompt(config: Dict[str, Any]) -> str:
    role = config.get("role", "Experienced Developer")
    project = config.get("project", {})
    task = config.get("task", {})
    output = config.get("output", {})
    constraints = config.get("constraints", [])

    stack = project.get("stack", [])
    features = task.get("features", [])
    include_items = output.get("include", [])

    prompt = f"""
你现在扮演：{role}

项目背景：
- 项目类型：{project.get("type", "未提供")}
- 技术栈：{", ".join(stack) if stack else "未提供"}
- 当前模块：{project.get("module", "未提供")}

任务目标：
{task.get("goal", "未提供")}

功能要求：
{list_to_markdown(features)}

输出要求：
- 输出格式：{output.get("format", "先给实现思路，再给核心代码")}
- 需要包含：
{list_to_markdown(include_items)}

限制条件：
{list_to_markdown(constraints)}

请按以下结构输出：
1. 先分析实现思路
2. 再给出组件结构建议
3. 然后生成核心代码
4. 标出容易遗漏的边界情况
5. 给出人工 Review 清单
6. 不要过度封装，保持代码可维护
""".strip()

    return prompt


def main() -> None:
    config_path = Path("ai_task.json")

    if not config_path.exists():
        raise FileNotFoundError("请先创建 ai_task.json 文件")

    with config_path.open("r", encoding="utf-8") as file:
        config = json.load(file)

    prompt = build_prompt(config)

    output_path = Path("generated_prompt.md")
    output_path.write_text(prompt, encoding="utf-8")

    print("提示词已生成：generated_prompt.md")
    print("-" * 40)
    print(prompt)


if __name__ == "__main__":
    main()

运行前，把上面的 JSON 保存为：

ai_task.json

然后运行：

python build_prompt.py

会生成一个：

generated_prompt.md

里面就是整理好的 AI 提示词。

---

四、生成后的提示词大概长这样

生成后的内容会比一句“帮我写组件”清楚很多：

你现在扮演：Senior Frontend Developer

项目背景：
- 项目类型：Admin Dashboard
- 技术栈：React, TypeScript, Ant Design
- 当前模块：User Management

任务目标：
Build a user filter component

功能要求：
- Search by username
- Filter by user status
- Filter by created date range
- Reset all filter conditions

输出要求：
- 输出格式：Implementation plan first, then core code
- 需要包含：
- TypeScript types
- Component structure
- Edge cases
- Review checklist

限制条件：
- Do not introduce a new state management library
- Keep the component simple
- Avoid over-engineering
- Use clear variable names

请按以下结构输出：
1. 先分析实现思路
2. 再给出组件结构建议
3. 然后生成核心代码
4. 标出容易遗漏的边界情况
5. 给出人工 Review 清单
6. 不要过度封装，保持代码可维护

这种提示词的好处是：

• AI 不容易跑偏
• 输出结构更稳定
• 代码更贴近项目背景
• Review 重点更清楚
• 后续复用更方便

---

五、这个方法适合哪些 AI 工具？

不同 AI 工具可以放在不同环节里使用。

工具	更适合的开发场景
ChatGPT Plus	需求拆解、代码初稿、脚本生成、文档整理
Claude Pro	长代码分析、复杂逻辑检查、长文档总结
Gemini Advanced	Google 生态资料整理、研究笔记、多模态内容
Grok	实时技术趋势、海外开发者讨论、热点观察
Kiro	AI 辅助开发流程、项目规划、任务推进
Cursor	代码编辑器内联开发、编程提效、代码补全

比如这个 JSON 提示词模板，可以这样用：

• 先用 ChatGPT 拆需求
• 再用 Claude 检查复杂逻辑
• 在 Cursor 里结合项目代码调整实现
• 用 Kiro 辅助拆开发任务和项目推进
• 用 Gemini 整理相关资料
• 用 Grok 看技术趋势或工具更新

当然，不是每个人都要同时用这么多工具。
更实际的做法是：先看你每天最常卡在哪一步。

---

六、再加一个 Review 清单模板

AI 生成代码之后，不建议直接复制进项目。

可以继续让它做一次自查：

请帮我检查上面生成的代码：

1. 是否有明显逻辑问题？
2. 是否处理 loading、empty、error 状态？
3. 表单重置是否完整？
4. 接口失败时是否有提示？
5. 是否存在过度封装？
6. TypeScript 类型是否清晰？
7. 命名是否容易理解？
8. 是否适合真实项目维护？
9. 哪些地方需要人工重点 Review？

这一步很像一个轻量 Code Review。

AI 不一定能发现所有问题，但它经常能提醒一些小细节。

比如弹窗关闭后清理状态、筛选条件重置、删除后刷新列表、接口异常兜底等。

这些东西不难，但赶需求时真的容易漏。

---

七、国内开发者常见的订阅卡点

很多开发者不是不会用 AI，而是卡在会员开通这一步。

常见情况包括：

• 海外信用卡支付失败
• 虚拟卡扣款不稳定
• 账单地址不匹配
• App Store 换区麻烦
• 不同工具订阅入口不一样
• 共享账号不稳定，也不适合处理代码和工作资料

如果只是偶尔体验，免费版可以先用。

但如果你每天都要用 AI 写代码、看文档、做 Review、整理资料，稳定的会员体验会更重要。

这类情况下，可以了解 gpt68.com。
它是 AI会员充值平台，覆盖 ChatGPT Plus、Claude Pro、Grok、Gemini Advanced、Kiro、Cursor 等 AI 会员和工具充值需求。

这里要注意：
gpt68.com 是 AI会员充值平台，不是统一管理工具，不是聚合切换平台，也不是 API 调用平台。使用前建议看清楚套餐说明、账号要求和售后规则。

---

八、最后总结一下

AI 辅助开发，不是简单复制一段代码。

更稳的方式是：

模糊需求
  ↓
JSON 任务配置
  ↓
生成结构化提示词
  ↓
AI 输出实现思路
  ↓
AI 生成核心代码
  ↓
AI 自查
  ↓
人工 Review
  ↓
测试和文档补充

用 JSON 管理提示词，看起来只是一个小动作，但它能帮开发者把需求讲清楚。

需求越清楚，AI 输出越稳定。
上下文越完整，返工越少。
限制条件越明确，代码越接近真实项目。

AI 工具不是替代开发者，而是帮我们少做一点重复劳动，把精力留给判断、设计和质量控制。