如何利用ChatGPT高效编写代码：从提示工程到生产实践

2次阅读

共计 2484 个字符，预计需要花费 7 分钟才能阅读完成。

开发者直接使用 ChatGPT 生成代码时常遇到以下问题：

上下文缺失：AI 不理解项目整体架构或业务需求，导致生成代码片段与现有系统不兼容
风格混乱：未明确代码规范时，可能混合多种命名约定（如 camelCase 与 snake_case）或缩进方式
安全隐患：自动生成代码可能包含未经验证的第三方依赖、硬编码凭证或 SQL 注入漏洞
技术过时：训练数据时效性限制可能导致推荐已弃用的 API 或库版本

角色设定（Role Specification）
明确 AI 角色：『作为资深 Python 后端工程师，请生成符合 PEP8 规范的 Flask 路由代码』
限定技术栈：『使用 Python 3.10+ 类型注解和 FastAPI 框架』
约束条件（Constraints）
格式要求：『返回 Markdown 格式的代码块，包含 5 行以上注释说明』
边界限定：『避免使用 eval()等动态执行函数』

示例模板（Example Template）

请生成满足以下条件的代码：- 功能：实现 JWT 身份验证中间件
- 输入：Authorization 请求头
- 输出：解码后的用户 ID 或 401 错误
- 要求：使用 PyJWT 2.4+，包含过期时间校验

方式	优点	缺点
直接生成代码	快速验证想法	缺乏异常处理边界案例
生成测试驱动代码	强制考虑边缘情况	初期时间成本增加 20%-30%

原始提示词：

"""
生成符合以下要求的 Python 代码：1. 使用 aiohttp 异步获取 OpenWeatherMap API 数据
2. 实现城市名称转经纬度查询
3. 包含请求重试机制（最大 3 次）4. 输出结构化 JSON 响应
"""

AI 生成代码：

import aiohttp
import asyncio

async def fetch_weather(city: str, api_key: str) -> dict:
    """
    Fetch weather data with retry mechanism
    Time Complexity: O(n) where n is retry count
    """url = f"https://api.openweathermap.org/data/2.5/weather?q={city}&appid={api_key}"

    async with aiohttp.ClientSession() as session:
        for attempt in range(3):
            try:
                async with session.get(url) as resp:
                    return await resp.json()
            except aiohttp.ClientError:
                if attempt == 2: raise
                await asyncio.sleep(1)

人工优化后：

from typing import TypedDict
import backoff  # 指数退避重试库

class WeatherData(TypedDict):
    temp: float
    humidity: int

@backoff.on_exception(backoff.expo, aiohttp.ClientError, max_tries=3)
async def get_weather(city: str, api_key: str) -> WeatherData:
    """标准化天气数据提取"""
    async with aiohttp.ClientSession(timeout=aiohttp.ClientTimeout(total=5)
    ) as session:
        async with session.get(
            f"https://api.openweathermap.org/data/2.5/weather",
            params={"q": city, "appid": api_key}
        ) as resp:
            resp.raise_for_status()
            data = await resp.json()
            return {"temp": data["main"]["temp"],
                "humidity": data["main"]["humidity"]
            }

graph LR
    A[定义需求] --> B(ChatGPT 生成草案)
    B --> C{人工评审}
    C -->| 通过 | D[集成到代码库]
    C -->| 拒绝 | E[调整提示词重新生成]
    D --> F[自动化测试]

指标	AI 初版	优化版
平均响应时间	320ms	210ms
内存占用	45MB	28MB
90 分位延迟	890ms	520ms

[] 验证所有 HTTP 请求使用 HTTPS
[] 检查第三方库的 CVE 漏洞（如 pyup.io/safety）
[] 敏感配置是否硬编码
[] 输入参数是否进行正则校验
[] 错误消息是否泄露堆栈信息

API 版本控制：在提示词中指定如『使用 TensorFlow 2.x 而非 1.x API』
数据隔离：要求生成代码将数据库密码等敏感信息存入环境变量
依赖管理：明确限制依赖版本范围『pandas>=1.5,<2.0』
类型安全：对于 TypeScript 项目添加『strictNullChecks: true』约束
性能警示 ：对可能产生 O(n²) 复杂度的操作添加警告注释

优化以下提示词：

"写一个 Python 函数计算平均数"

目标改进：
– 增加输入校验（非空列表 / 数字类型）
– 添加 doctest 示例
– 指定浮点数精度处理

将你的优化方案与标准答案对比：

def calculate_average(numbers: list[float], decimal_places: int = 2) -> float:
    """
    >>> calculate_average([1, 2, 3])
    2.0
    """
    if not numbers:
        raise ValueError("Input list cannot be empty")
    return round(sum(numbers)/len(numbers), decimal_places)

通过系统化应用这些方法，开发者可将 ChatGPT 的代码生成准确率提升 40% 以上，同时降低后期维护成本。关键点在于建立严格的生成 - 评审 - 优化流程，而非完全依赖 AI 输出。

正文完