AI先锋周报|提示词工程如何赋能软件工程，打造可靠执行力？

总有某种力量，引领变革

总有某些身影，引领转型

它源自每一位拥抱AI的开拓者

他们以行动，彰显变革之力

刘哲

本周先锋

刘哲，亿云信息政企数智化事业部开发工程师。他以化工产品AI编码试点项目为牵引，持续探索AI与软件工程融合的新路径。通过将个人开发经验转化为AI可执行的工程规则，他打通了AI辅助研发的交付闭环，逐步构建出一套可复用、可复制的标准方案。

实战复盘：Spec+Superpowers 的工程化落地

在项目中，他引入了Spec驱动开发与Superpowers工作流，成功将原本依赖个人经验的开发习惯，转化为AI能够读取、理解和执行的工程规则。

01

规范即上下文：把经验写成 AI 能执行的规则

项目中沉淀了前端、后端、字典、联调等多类规范：

前端明确采用Vue 2+Ant Design Vue，列表优先选用 EfpSearch+EfpTable。

后端遵循Controller->Service->Mapper 分层架构。

入参使用DTO，出参使用VO，避免直接暴露Entity。

字典字段统一按dictValue落库、dictLabel展示。

接口变更需同步Swagger、权限注解及必要SQL。

这些规则不再停留于口头“约定”，而是成为AI在每次开发前必须遵循的工程上下文。

02

文档即指令：用Spec降低沟通损耗

以化工产品为例，将复杂页面拆解为清晰的文档和清单：

FRONTEND_DEV_GUIDE.md：说明页面结构、目录分层、保存规则和扩展约定。

DEV_CHECKLIST.md：记录已完成项、待完善项及每次开发后的自检清单。

BACKEND_API_FIELDS.md：约束前后端字段与接口结构。

这种方式让AI告别猜测，转而依据明确的Spec精准执行。

03

AI是施工队，人仍是架构师

在此模式下，AI与人类各司其职。

AI主要承担执行层工作：按规范生成前后端代码；补全页面、接口、字段、表格、表单及校验逻辑；依据清单检查遗漏项；协助拆分复杂组件；辅助编写开发文档与联调说明。

而人则牢牢把控核心架构：定义业务边界；设计模块结构；审核关键逻辑；判断交付质量；将隐性经验沉淀为可复用的规范。

这种协作模式，使AI从“临时助手”蜕变为“受规范约束的工程执行单元”。

经验沉淀：三条可复制的方法论

1.不要只写Prompt，要写Spec

单次提示词仅能解决单一问题，而Spec才能让AI持续、稳定地理解项目。一个优秀的Spec应至少包含：技术栈约束、目录分层规则、接口契约、字段说明、字典规范、异常处理及验收清单。

2.不要让AI猜架构，要给它明确边界

AI最容易出问题的地方往往不是语法，而是缺乏边界感。因此，必须明确告知：哪些逻辑应置于容器组件，哪些应下沉至helper；哪些配置应进入schema；哪些接口结构不可随意变动；以及哪些字段需同时处理展示、回填、保存与导出。

3.不要追求一次生成完美，要建立可验证闭环

AI协作须配合严格检查机制：开发前研读规范，开发中依任务清单推进，开发后执行编译、检查页面交互、验证接口字段，复杂变更必须进行Code Review；一旦发现问题，则反向沉淀至规范中。真正的提效并非来自某次“生成很快”，而是源于这一不断优化的验证闭环。

他说：

“AI并非要取代工程规范，恰恰相反，AI会放大规范的价值。你给它碎片化描述，它产出的是碎片化代码；你给它清晰的Spec、任务清单和架构边界，它就能成为稳定的工程执行力。”

刘哲在化工产品AI编码试点项目的实践证明：AI工程化的关键，并非单纯依赖Cursor、Claude Code等工具，而是将团队的工程规范与架构要求，转化为AI能持续遵守的工作系统。这套“Spec+Superpowers”的开发方式，让“提示词工程”真正迈入“软件工程”的边界，也为团队规模化应用AI提供了可复制的落地路径。

下一位AI先锋，就是你吗？

转型不是等待，而是行动

数智不是远方，而是此刻

向每一位先行者致敬

让我们并肩，奔赴人机共生的新未来