同样用 AI 编程工具，有人一句话就能让模型产出能跑的代码，有人来回改十轮还在报错。差别往往不在工具，而在提示词。把需求说清楚是有方法的，这篇给一个三段式结构：背景、任务、约束，配上实战对比和常见坑，照着写就能明显减少返工。
为什么”帮我写个脚本”总是翻车
大多数失败的编程提示词，都犯了同一个错误：把”结果”当成了”需求”。”帮我写个爬虫””做一个记账小程序”，这类描述里没有任何可执行的信息。模型只能靠猜测填补空白：用什么语言？数据从哪来？异常怎么处理？每个空白它都会随机选一个答案，选得和你想的不一样，你就觉得它不行。
换个角度理解：AI 是一个技术很强但完全不了解你项目的程序员。你给一个人类同事布置任务时会说清楚来龙去脉，给 AI 的却往往只有一句话。写好编程提示词的本质，就是把你自己脑中默认的那些上下文，显式地写出来。
三段式结构：背景 + 任务 + 约束
这个结构适用于绝大多数编程场景，从写脚本到改 Bug 都能用：
- 背景：项目是什么、运行环境是什么、相关代码长什么样。比如”这是一个 Python 3.12 的数据清洗脚本，输入是 CSV 文件”，一句话就把模型的发挥空间圈住了。
- 任务：要它做什么，用动词开头写具体。”解析这个 CSV，按日期分组，输出每天的金额总和”远比”处理一下数据”有效。
- 约束：不能做什么、必须满足什么。技术栈限制（”只用标准库”）、性能要求（”十万行数据要在十秒内跑完”）、输出格式（”结果打印成 JSON”）都属于约束。约束是新手最容易忽略、高手用得最多的一段。
需要贴代码时，只贴相关部分并标注清楚哪段是入口、哪段报错，整包代码甩过去反而稀释重点。
实战对比：同一个需求的三种写法
需求：批量把文件夹里的图片压缩到指定大小。
初级写法：”写个图片压缩脚本。”模型会随机选语言、选库、选压缩方式，出来的代码大概率能跑，但尺寸控制、子目录、文件名冲突这些细节全靠运气。
中级写法：”用 Python 写个脚本，把文件夹里的 JPG 压缩到 500KB 以下。”方向对了，但边界情况没交代：文件夹里有子目录怎么办？压不到 500KB 以下怎么办？
三段式写法：”背景：Windows 环境，Python 3.12，未装第三方库的话可以先给出依赖清单。任务：遍历指定文件夹（含子目录）里的所有 JPG，将每张压缩到 500KB 以内，输出到同名子文件夹，保持原文件不动。约束：压不达标时按质量逐级重试并打印日志；跳过损坏文件而不是中断；最后输出处理汇总。”这个版本几乎一次就能得到可用的代码。
三个版本的信息量差距，就是返工次数的差距。
进阶技巧：让 AI 先给方案再动手
复杂任务别让它直接写代码。先加一句：”先列出你的实现方案和涉及的模块，我确认后再写代码。”这一步有两个好处：一是方案错误在计划阶段就暴露，改方案比改代码便宜得多；二是你会提前发现需求本身的问题——很多时候说不清方案的缺口，正是需求没想清楚的信号。方案确认后再追加一句”按上述方案实现”，产出质量会稳定很多。
这套”先对齐再执行”的思路不只适用于编程，做数据任务时同样管用，可以参考这篇AI 数据分析提示词的约束写法。
两个常见坑：过度约束与上下文丢失
- 过度约束：约束写太多太细，模型反而束手束脚，甚至为了满足所有条件产出扭曲的实现。原则是约束”结果和边界”，把”怎么写”留给模型——规定必须用什么算法、每行怎么命名，通常得不偿失。
- 上下文丢失：长对话里模型会”忘掉”开头的约束，改着改着跑偏。发现跑偏时，不要继续在原对话里纠缠，把当前的最新代码和原始约束重新整理成一条新提示，开一轮新对话，往往比反复纠正更快。
结语
编程提示词不需要天赋，需要的只是把背景、任务、约束三段说全的习惯。下次动手前先问自己三个问题：模型知道我的环境吗？知道要产出什么吗？知道边界在哪吗？三个都能答上来，提示词就合格了。工具层面的选择和完整工作流，可以看这篇AI 编程工具从需求到合并的流程；想系统提升提问水平，六类高频场景的提示词模板和四步改写技巧都值得搭配着练。