Vibe Coding 全流程提示词规范

一套符合 Vibe Coding（以 AI 为核心驱动、开发者进行意图引导与质量把控）的全流程提示词（Prompts）规范。

为了实现高效且稳定的开发，建议在与 AI 对话时使用 多轮渐进式（Multi-turn Sequential） 模式，将完整流程分为 5 个核心阶段：需求方案 -> 代码实现 -> 单元测试 -> 多角度调试 -> 提交描述。

---

阶段一：需求理解与方案设计 (Design Phase)

目标： 避免 AI 提笔就写代码导致的架构偏离，先对齐理解并输出架构方案。

你是一个资深全栈架构师。我即将为当前项目开发一个新的功能模块。
在编写任何具体代码之前，请先根据以下需求信息进行分析：

【需求描述】：[在此填写具体需求/User Story]
【项目上下文】：[在此说明关键技术栈，如 React + Tailwind / Python FastAPI / 现有数据库表结构]

请按以下格式输出设计方案：
1. 需求解析：用简明语言复述核心逻辑，确认是否存在未考虑到的边缘场景（Edge Cases）。
2. 技术方案：
   - 需要修改/新增的文件目录结构
   - 核心数据流向与接口设计（API 结构/Data Model）
   - 依赖的外部库或现有公共组件
3. 风险与考量：潜在的性能隐患、安全风险或兼容性问题。

完成后请先停止，等待我确认方案无误后再进入代码编写阶段。

---

阶段二：精细化代码实现 (Implementation Phase)

目标： 模块化生成高质量、高可读性的符合项目规范的代码。

方案已确认。请作为高级开发工程师开始实现代码。

要求：
1. 完全遵循项目现有的编码规范、命名习惯与类型定义（TS/Type Hints）。
2. 保持函数粒度单一，逻辑清晰，包含必要的防爆/容错处理（Try-Catch/Guard Clauses）。
3. 如果修改了现有文件，请明确指出行号或上下文位置，提供清晰的代码 Diff 或完整的代码块。

请按模块粒度依次输出以下代码文件：
- [数据模型/接口定义]
- [核心业务逻辑代码]
- [UI/前端展示代码（若有）]

---

阶段三：自动化测试补全 (Testing Phase)

目标： 让 AI 基于编写的代码，自动补全单元测试与边界测试。

基于刚才实现的功能代码，请编写对应的测试套件（使用 [如 Jest / PyTest / Vitest]）。

测试用例需满足以下覆盖要求：
1. 快乐路径（Happy Path）：核心主流程的正常响应。
2. 边界条件（Boundary Test）：空值、极大/极小值、非法格式、并发/重复请求等。
3. 异常路径（Exception Path）：网络中断、数据库失败、权限不足等错误处理。

请提供可以直接运行的完整测试文件代码。

---

阶段四：多角度调试与稳定度攻防 (Debugging & QA Phase)

目标： 模拟 Code Review 和极端场景（Stressing），反向推演并修复隐蔽 Bug。

现在进入质量攻防与调试阶段。请扮演一位极其挑剔的资深 Code Reviewer，从以下四个角度审视刚才编写的所有代码：

1. 性能角度：是否存在内存泄漏、不必要的重复渲染/重算、慢查询（N+1 问题）？
2. 安全角度：是否存在 SQL 注入、XSS、未越权校验、敏感信息泄露？
3. 健壮性角度：并发场景下是否存在 Race Condition？异步逻辑是否有未捕获的 Unhandled Rejection？
4. 易用性/可维护性：代码是否符合 DRY 原则？日志输出（Logging）是否足够清晰易排查？

请列出检测到的 2-3 个最关键的隐患点，并直接给出具体的代码重构优化方案（Refactoring Plan）。

---

阶段五：提交与 Release 文档生成 (Commit & Documentation Phase)

目标： 快速整理结构化的 Commit Message 和功能变更说明。

功能已成功完成并通过调试！请为本次更新生成标准的提交描述和 Release Notes。

请输出以下内容：
1. Conventional Commits 格式的 git commit 信息（含 title 与 short body）。
2. 结构化的 Pull Request (PR) 描述，包含：
   - 🚀 变更内容 summary（简短点状列出）
   - 🛠️ 涉及的文件清单
   - 🧪 测试验证方法（Step-by-step 验证步骤）
   - ⚠️ 注意事项 / 依赖更新说明

---

💡 Vibe Coding 最佳实践建议

1. 分段执行，切勿一步到位： 将上述 5 段 Prompt 放在同一个对话上下文中逐轮发送，不要一次性贴给 AI。让 AI 在每一步输出后接收你的 feedback，效果最好。
2. 活用 Context（上下文注入）： 在阶段一前，先将现有的代码规范文件（如 .eslintrc、schema.prisma 或全局类型定义）作为上下文直接喂给 AI，生成的代码适配度会提升 80%。
3. 保持决策权： AI 给出方案和改进点后，由你做最终裁决（如：“第 2 点安全优化很好，照此修改；第 1 点性能优化暂不需要，保持原样”）。