Claude Code + PromptX 实战:如何让AI生成符合你风格的代码(附PRD模板)
最近和几个技术团队交流,发现一个挺有意思的现象:大家用Claude Code这类AI编码工具,初期都挺兴奋,但用着用着就有点“鸡肋感”了。生成的代码要么是千篇一律的“标准答案”,要么风格混乱,和自己团队的代码库格格不入,最后还得花大量时间重构。这其实不是AI能力不行,而是我们没学会如何“调教”它。AI就像一块璞玉,你得用对方法去雕琢,它才能产出真正符合你心意的作品。这篇文章,我就结合自己近半年的深度实践,聊聊如何通过一套组合拳——特别是分阶段提示词和代码风格文档化——让Claude生成的代码,从“能用”变成“好用”,甚至完全融入你的个人或团队风格。无论你是独立开发者,还是带领技术团队的架构师,或是需要与技术紧密协作的产品经理,这套方法都能帮你把AI编程的效率和质量提升一个台阶。
1. 为什么你的AI生成的代码总是“不对味”?
很多人把AI编程工具当成一个更智能的搜索引擎:输入一个模糊的需求,期待得到一个完美的、可直接运行的代码块。这种期望本身就有问题。AI没有上下文,没有你的审美偏好,更没有你团队里那些不成文的“规矩”。它只能基于海量公开代码训练出一个“最大公约数”风格。所以,当你看到它生成的代码时,常会有以下感觉:
- 风格突兀:命名习惯(是
camelCase还是snake_case?)、缩进空格(2个还是4个?)、注释风格(是JSDoc还是行内注释?)都和你项目里的其他文件不一样。 - 架构不符:你团队推崇清晰的MVC或领域驱动设计,但AI可能给你一个把所有逻辑都塞在
main函数里的脚本。 - 过度或不足:要么生成一堆你根本用不上的、过度设计的抽象层和接口;要么代码过于简陋,缺乏必要的错误处理和边界条件检查。
- 缺乏“灵魂”:代码功能上没错,但就是读起来不像“自己人”写的,维护起来有种疏离感。
问题的核心在于,我们默认了AI“应该”理解我们没说出口的一切。但实际上,清晰的指令和上下文是AI发挥效能的基石。接下来的部分,我们就来拆解如何系统地构建这块基石。
2. 分阶段提示词:从产品思维到代码落地的精准导航
直接让AI“写一个用户登录功能”是灾难的开始。这就像让一个实习生第一天上班就独立负责核心模块。高效的做法是模仿真实的产品研发流程,分阶段、换角色地与AI协作。我称之为 “三段式提示法”。
2.1 第一阶段:产品经理视角 - 用PRD定义清晰边界
这个阶段的目标不是写代码,而是对齐认知。你需要用非技术语言,把“做什么”、“为什么做”、“做到什么程度”讲清楚。一个好的PRD(产品需求文档)提示词,应该包含以下几个要素:
## 项目需求:开发一个简单的个人博客文章发布系统
**核心用户**:独立内容创作者(技术背景较弱)
**核心痛点**:希望有一个极简、专注写作的发布工具,无需关心服务器运维和复杂配置。
**核心功能清单**:
1. 用户认证:仅支持邮箱/密码注册与登录。
2. 文章管理:
- 富文本编辑器(支持Markdown和基本格式工具栏)。
- 文章的创建、编辑、保存草稿、发布、删除。
- 文章可分类(如“技术”、“生活”),可打标签。
3. 内容展示:
- 首页按发布时间倒序列出已发布文章。
- 独立的文章详情页,URL格式为 `/post/{slug}`。
- 简单的分类和标签归档页面。
4. 后台管理(仅对管理员):
- 仪表盘查看基本数据(文章总数、分类数)。
- 管理所有文章(包括其他用户的,可编辑/删除)。
**非功能需求与约束**:
- **技术栈**:后端使用Python Flask,数据库用SQLite(便于单人部署),前端使用原生JavaScript + 少量CSS框架(如Pure.css)以保持轻量。
- **部署目标**:最终需能一键部署到常见的云平台或VPS。
- **安全要求**:密码必须加盐哈希存储,防止SQL注入和XSS攻击。
- **风格要求**:代码需保持高度可读性,函数不超过50行,关键逻辑必须有注释。
**交付物**:
- 清晰的数据模型设计(ER图描述)。
- 主要的API端点列表(方法、路径、请求/响应示例)。
- 核心的前端页面路由和组件结构说明。
提示:在这个阶段,完全不要提具体的类名、函数名或库。重点是让AI理解业务全景和约束条件。你可以把这份“PRD提示词”保存为模板,后续类似项目只需替换核心内容。
2.2 第二阶段:架构师视角 - 定义技术蓝图
收到AI基于PRD给出的概要设计后(通常是数据模型和API列表),你需要介入进行“技术评审”。然后,进入第二阶段:给出更具体的技术指令。这个阶段的目标是确立技术风格和架构规范。
现在,请基于上述PRD,担任后端架构师,完成以下任务:
-
设计具体的数据模型:为
User、Post、Category、Tag表定义详细的字段,包括类型、约束和索引。请遵循以下我们团队的惯例:- 表名使用复数形式(
users,posts)。 - 每个表必须有
id(主键)、created_at、updated_at字段。 - 外键字段命名为
{related_table_singular}_id,如user_id。 - 为
Post表的title字段添加全文搜索索引。
- 表名使用复数形式(
-
定义API规范:为每个核心API端点(如
POST /api/auth/login,GET /api/posts)编写详细的OpenAPI风格说明,包括:- 请求方法、路径、摘要。
- 请求体JSON Schema(登录、创建文章)。
- 成功和常见错误的响应体示例及HTTP状态码。
-
指定代码组织架构:本项目采用“按功能模块组织”的结构。请规划目录树,并说明每个目录的职责(如
app/auth/,app/posts/,app/models.py,app/schemas/)。
这个阶段的输出,就是一份非常具体的技术设计文档。AI会基于此生成结构清晰、符合你预设规范的代码骨架。
2.3 第三阶段:开发者视角 - 填充实现细节
有了前两个阶段打下的坚实基础,第三阶段就轻松多了。现在你可以针对具体的模块或函数,发出非常精确的编码指令。
例如,针对“用户登录”功能:
# 文件:app/auth/routes.py
# 已有依赖导入和蓝图定义
# 请实现 login 视图函数。
# 要求:
# 1. 使用Flask的request对象获取JSON格式的邮箱和密码。
# 2. 在数据库中查找用户,使用`bcrypt`验证密码(假设已配置好)。
# 3. 验证成功后,使用`flask_jwt_extended`生成access token和refresh token并返回。
# 4. 必须包含完整的错误处理:邮箱不存在、密码错误、请求格式错误。
# 5. 遵循项目已有的日志记录格式,使用`current_app.logger.info`记录成功登录。
# 6. 函数签名和代码风格请参考同一目录下的 `register.py` 文件。
通过这种分阶段、角色化的提示,AI生成的代码在功能正确性、架构一致性和风格统一性上,会有质的飞跃。它不再是盲目地生成代码,而是在你设定的轨道上精准运行。
3. 代码风格文档化:让你的习惯成为AI的“肌肉记忆”
分阶段提示解决了单次任务的问题。但要让AI在所有项目中都持续产出符合你风格的代码,你需要将风格固化下来,形成一份AI可读的“风格指南”。这份文档,我称之为 code_style_context.md。
这份文档不应该是一堆教条,而应该是你真实编程习惯的总结。下面是一个示例框架:
3.1 通用编码规范
命名约定:
- 变量/函数:
snake_case(Python, SQL) - 类名:
CamelCase - 常量:
UPPER_SNAKE_CASE - 布尔变量/函数: 以
is_,has_,should_开头(如is_valid,has_permission) - 私有成员: 单下划线前缀
_private_method
代码结构偏好:
- 函数长度尽量控制在30行以内,如果超了,优先考虑是否应该拆分子函数。
if/else块如果逻辑简单,倾向于使用三元表达式或提前返回(Guard Clauses)来减少嵌套。- 错误处理:优先使用明确的异常类型,并在模块顶层或路由层统一捕获处理,避免在业务逻辑中到处是
try...catch。 - 注释哲学:注释解释“为什么”(Why),而不是“是什么”(What)。复杂的算法或业务逻辑必须写注释。使用 Google风格 或类似格式的docstring。
3.2 技术栈特定规则
对于Python (Flask/SQLAlchemy项目):
# 好的例子
from extensions import db
class User(db.Model):
__tablename__ = 'users'
id = db.Column(db.Integer, primary_key=True)
email = db.Column(db.String(255), unique=True, nullable=False, index=True) # 必须为唯一字段添加索引
password_hash = db.Column(db.String(255), nullable=False)
# 关系定义使用 backref,并明确列出 cascade 选项
posts = db.relationship('Post', backref='author', lazy='dynamic', cascade='all, delete-orphan')
def set_password(self, password):
"""使用bcrypt生成密码哈希。"""
import bcrypt
self.password_hash = bcrypt.hashpw(password.encode('utf-8'), bcrypt.gensalt()).decode('utf-8')
# 不好的例子(避免)
class Post: # 缺少明确的表名和继承
id = Column(Integer) # 缺少 primary_key=True
对于JavaScript/前端:
- 使用
const和let,避免var。 - 异步操作统一使用
async/await,配合try...catch处理错误。 - DOM操作后,如果需要,主动进行事件解绑以防止内存泄漏。
3.3 项目级约束文件:claude.md 的妙用
Claude Code支持在项目根目录或子目录放置 claude.md 文件。这是将风格指南与具体项目约束结合的绝佳场所。例如,在项目根目录的 claude.md 中:
# 本项目开发约束
## 核心原则
1. **KISS (Keep It Simple, Stupid)**: 优先选择最简单、最直接的实现方案,除非有明确证据表明需要复杂性。
2. **一致性高于个人偏好**:所有代码必须与现有代码库的风格保持一致。
## 技术栈与版本
- Python: 3.10+
- Flask: 2.3.x
- 数据库: SQLite (开发), PostgreSQL (生产配置已备好)
- 前端: 不使用任何重型框架,仅使用原生JS和Pure.css。
## 绝对禁止项
- 禁止使用 `*` 进行通配符导入(如 `from models import *`)。
- 禁止在视图函数中直接编写SQL字符串,必须使用SQLAlchemy ORM或核心表达式。
- 禁止在前端硬编码API URL,必须使用全局变量 `window.API_BASE_URL`。
## 代码生成提示
- 生成新的API端点时,请同时生成对应的请求/响应Schema(使用`marshmallow`或`Pydantic`)。
- 生成数据库模型时,请一并生成 Alembic 迁移脚本的草稿。
- 所有生成的代码,请默认包含基本的单元测试导入语句和框架(如`pytest`)。
当你要求AI在某个目录(如app/auth/)下生成代码时,它会自动读取并遵循该目录下(或向上查找)的 claude.md 规则。这就实现了工程化、细粒度的约束管理。
4. 实战:一个完整的PRD到代码的生成流程
让我们把上面的理论串联起来,看一个简化但完整的例子:为博客系统增加“文章评论”功能。
第一步:更新PRD提示词 在原有PRD中“文章管理”部分下新增需求点,并发给AI: “在文章详情页,需要增加评论功能。允许已登录用户发表评论,支持简单的富文本(防止XSS)。评论列表按时间正序排列。管理员可以删除任何评论。”
第二步:获取并评审技术设计 AI会基于整个PRD的上下文,给出新增的Comment数据模型、POST /api/posts/<id>/comments和GET /api/posts/<id>/comments等API设计。你评审并确认。
第三步:提供风格化实现指令 结合你的 code_style_context.md 和项目 claude.md,发出精确指令:
请实现 `Comment` 模型和相关的API路由。
- 模型文件放在 `app/models.py` 中,请遵循该文件现有的`User`和`Post`模型风格(使用SQLAlchemy,定义`__tablename__`、关系等)。
- API路由实现放在 `app/posts/routes.py` 中,请参考同文件下的文章路由(使用JWT认证,错误处理格式一致)。
- 评论内容需要做XSS过滤,请使用 `bleach` 库(已安装)进行清理。
- 请生成对应的Pydantic Schema,用于评论的创建和响应,放在 `app/schemas/comment.py`。
第四步:迭代与优化 AI生成代码后,你进行代码审查。如果发现某些地方不符合习惯(比如错误信息的格式),不要直接修改代码,而是更新你的 code_style_context.md,补充一条:“所有API的错误响应,应统一使用 {“error”: “错误描述”} 的JSON格式”。然后,将这条更新和需要修改的代码块一起反馈给AI:“根据我们最新的风格指南(错误响应格式),请修正下面代码中的错误处理部分。” 这样,AI不仅修改了当前代码,也学习了新的规则。
通过这样闭环的流程,AI逐渐被“训练”成你的编码搭档,生成的代码会越来越贴合你的思维模式。
5. 高级技巧与工具链整合
掌握了核心方法后,还有一些技巧能让你和AI的协作更丝滑。
1. 上下文补全与参考素材: 对于复杂UI组件或需要模仿现有代码的情况,直接把相关代码或截图提供给AI是最有效的。例如,你可以说:“请参考 static/js/components/ArticleList.js 的代码结构和风格,实现一个功能类似的 CommentList.js 组件。” 或者将设计稿截图放入对话,描述清楚交互逻辑。
2. 自定义命令(Custom Commands)的威力: 像Cursor这类编辑器,允许你定义自定义命令。你可以创建诸如“/implement-crud”的命令,其背后的提示词模板是:“基于当前打开的文件(这是一个SQLAlchemy模型),请生成完整的CRUD路由、Service层和Schema文件,遵循项目风格指南。” 一键触发,极大提升重复性工作的效率。
3. 多AI工具协作: 没有哪个AI是万能的。我的工作流通常是:
- 需求梳理与PRD起草:使用思维链更长、逻辑性更强的模型(如Claude-3 Opus或DeepSeek)来帮我理清复杂需求。
- 具体代码生成与修改:在Cursor(基于Claude)中完成,因为它对代码上下文的理解最深。
- 代码审查与优化建议:将生成的代码片段丢给GPT-4或Gemini,问它:“从安全性、性能和可读性角度,审查这段代码,并提出三条具体改进建议。”
这种组合拳能发挥每个模型的优势。
4. 建立团队的“提示词库”与“风格库”: 对于团队而言,可以将经过验证的、高质量的PRD提示词模板、code_style_context.md 以及各项目的 claude.md 收集到一个内部知识库(如GitHub Wiki或Notion)中。新成员 onboarding 时,首先学习如何利用这些资源与AI协作,能快速统一输出标准,降低沟通成本。
最后,我想说的是,让AI生成符合你风格的代码,本质上是一个将隐性知识显性化的过程。你需要不断观察、总结和提炼自己的编码习惯与团队规范,并将它们清晰地传达给AI。这个过程起初可能需要一些额外精力,但一旦这套体系运转起来,你会发现AI不再是一个时灵时不灵的黑盒,而是一个真正理解你、能稳定输出高质量代码的得力伙伴。它节省的远不止是打字时间,更是那些耗费在风格争论、重复性脚手架代码和寻找最佳实践上的心智负担。现在,就从为你当前的项目创建第一份 claude.md 文件开始吧。
1万+



被折叠的 条评论
为什么被折叠?



