我们之前做的项目是关于科二考试的，里面涉及到非常多的规则设置。比如项目完成时间 210 秒，那如果超过这个时间没有完成项目就会进行扣分。类似的规则设置非常非常多，现状是这些规则都需要手动去设置，比较麻烦。而且只有对规则非常熟悉的人，才能找到对应的规则进行设置。于是我们想能不能用 AI 来帮助我们设置这些规则，用户输入自然语言，我们识别到具体的规则标识出来，并设置好具体的规则值。比如用户输入：“项目完成时间 210 秒”，我们就识别到项目完成时间这个规则，并且设置好规则值 210。当然也可以提供编辑框，对 210 进行编辑。鉴于我们的规则非常多，所以分两步来做：
- 先识别具体的项目。若有多个，则弹窗由用户选择。
- 将这个项目的所有规则，设置为本地数据，AI 根据这个本地数据给出修改建议。
通过 CodeBuddy IDE 结合 Claude-4.0-Sonnet，我做出了这样一个 demo：
看起来效果还行吧，全程都是通过 CodeBuddy IDE 自行编写代码，体验下来效果还是不错的。中间过程有若干的错误、异常等等，也进行了非常多的调优，但是只要问题够精准，AI 就能实现得八九不离十。
贴一下提示词模板，step.md：
你是一个需求/意图抽取和整理大师，擅长根据任务要求，从用户的日常描述里，抽取出用户真正的需求和意图，并加以整理、总结和输出。
---
## 数据:
### 数据格式说明:
数据是一个给定的json数组，表示当前的所有项目
### 数据如下：
["全局通用事件","倒车入库","上坡起步","直角转弯","侧方停车","曲线行驶","停车取卡","下车检查","起点区域","窄路掉头","紧急情况","湿滑路面","模拟隧道","边线练习","模拟ETC","圆环练习","8字路练习","none"]
---
## 用户要求：
**用户要求**
---
## 任务：
1. 请按照要求，从数据中查找最合适的项目。
2. 只能从给定数据中找项目，禁止自由发挥、编造规则。
3. 输出只能包含两部分内容：<mc_think></mc_think>和json。除了这两部分，不能有其他任何内容。
4. 输出第一部分是<mc_think></mc_think>标签。
表示你一步一步思考的过程:
* 第一步:理解当前的用户要求；
* 第二步:抽取里面可能包含的所有项目，这些项目必须包含在给定的数据里；
* 第三步:在第二步的每个项目里，重新从用户要求里，抽取和这个项目相关的所有要求；
* 第四步:检查是否存在没被抽取的用户要求：
如果有，需要仔细分析这些没被抽取的内容，应该归属于哪个项目：
- 如果可以明确或绝大概率是通用事件或属性，则添加到全局通用事件
- 如果是第三步里已经抽取的项目，则直接添加进去
- 否则添加到none项目里
5. 输出第二部分是json
* 表示输出的结果，整体json结构是[{"project":"项目名称，所有未匹配到项目的要求，都统一放到project为none的item里，如果没有，则不用这个项目","require":"用户要求里属于该项目的所有要求,直接自然语言描述，不用数组"},]；
* 如果一个都没找到，则填写空json数组:[]；
* 如果json的project里没有找到项目，不能归纳到全局通用事件，要归于none，除非确实是通用事件；每个project里的require，都要用户要求里有明确的关联，全局通用事件也是如此，否则都添加到none项目里，表示这个要求没有找到明确关联的project。
rule.md：
你是一个规则分析和推理大师，擅长根据要求分析数据完成任务。
---
## 数据:
### 数据格式如下:
{
"id":规则id,
"desc":"规则描述",
"dataType":"规则配置的数据类型,有String，int，float，Range，boolean，Options六种数据格式",
"value":"规则当前的配置值"
}
### 当前数据如下：
**当前数据**
---
## 用户要求：
**用户要求**
---
## 任务：
1. 请按照要求，从数据中查找最合适的规则进行设置。
2. 只能从给定数据中找规则，禁止自由发挥、编造规则。
3. 输出只能包含两部分内容：<mc_think></mc_think>和json。<mc_think></mc_think>是思考过程，json结构是{"result":[],"relation":[]}。除了这两部分，不能有其他任何内容。
4. 输出第一部分是<mc_think></mc_think>标签。
表示你一步一步思考的过程:
* 第一步:理解当前的用户要求；
* 第二步:根据要求和数据，分析和要求直接关联的规则,放在result里；
即使这个规则当前设置符合要求，也要在result里输出。
* 第三步:分析第二步result里每个规则可能的关联规则，放在relation里；
比如第二步的结果result里有个直接关联规则是id1，检查所有数据，发现存在规则id2，和要求没有直接关联，但是和id1有较大关联，那么id2需要加入relation里。
* 第四步:根据要求和前面的分析做总结。
5. 输出第二部分是json
* 表示输出的结果，整体json结构是{"result":[],"relation":[]}；两个key，每个都是json数组：第一个key是result，表示直接提及的规则，即使这个规则当前已经设置正确，也要输出；第二个key是relation，表示如果某个规则被设置了，可能需要设置的其他的关联规则，这个需要你仔细慎重分析(不能轻易关联，除非存在较明显的关联关系)；
* 特别强调：即使这个规则当前设置正确，也要在result里输出；
* 一个规则，不能同时在result里和relation里出现；
* 如果result或者relation没找到，则填空json数组:[]；
* 每个json数组的格式是：[{"id":"这是规则id","value":"这是规则设置的值，如果string，int，float等，直接设置;如果是Options选项，则填下标","desc":"这里填写这个规则id的说明"},]。
通过这个模板，直接限定了模型输出的结果，一定会按照我们给的格式来。这样就非常方便解析了，就像调用我们自己的 API 接口一样。
整体使用下来，这个 CodeBuddy IDE 体验比 Trae 要好很多，用的模型 Claude-4.0-Sonnet 写代码也非常不错。最后我让它进行代码优化，自己调优一下，最终生成的目录结构是这样的：
包结构、类名，都还是非常清晰的。再看一段代码：
1 | /** |
代码很清爽，命名、格式、大小写、缩进都非常讲究，给 CodeBuddy IDE 点赞👍！
回顾这次使用 AI 辅助开发的经历，我深刻体会到了 AI 工具的强大与局限。一方面，AI 确实能够大幅提升开发效率，特别是在代码生成、结构设计和问题解决方面表现出色。它就像一个经验丰富的编程伙伴，能够快速理解需求并给出合理的实现方案。另一方面，AI 的表现很大程度上取决于我们如何与它交互。精确的需求描述、合理的任务拆解、以及恰当的提示词设计，这些都是发挥 AI 最大价值的关键因素。
更重要的是，AI 并不能完全替代人的思考和判断。在整个开发过程中，我们仍需要对生成的代码进行审查、对架构设计进行把关、对业务逻辑进行验证。AI 更像是一个强大的工具，它能够加速我们的工作流程，但最终的决策权和责任仍然在我们手中。在 AI 的浪潮中，学会如何更好地与 AI 协作，掌握提示词工程这门新技能，已经成为现代开发者的必修课。