搜索：代码

AI工具用不好，80%的问题出在“提问方式”上。通义千问拥有极强的逻辑推理、长文本处理和代码能力，只要掌握了正确的调教方法，它就能瞬间变成你的全能助理。

写代码的这套老工具，最近被一个叫 Cursor 的新家伙掀翻了。很多没写过代码的人，用它在几天内做出了能落地的软件；而干了七八年的老程序员，用过之后直呼“再也回不去传统编辑器了”。

写代码最折磨人的从来不是逻辑本身，而是找 Bug、改配置、在十几个文件之间来回翻找，以及记不住的 API 语法。传统的 AI 插件就像一个只会在光标旁打字的“高级联想输入法”，而 Cursor 的本质是一个能读懂你整个工程架构的数字搭档。

程序员使用 ChatGPT，最容易犯的错误就是：“帮我写一个完整网站。”这种提问看起来方便，实际很容易得到大量无法直接使用的代码。

本提示词用于在功能不变的前提下，对臃肿、重复、嵌套过深的代码进行架构级重构。AI 将遵循 DRY 原则抽取公共逻辑，使用早返回或策略模式简化条件嵌套，优化命名使其自解释，并输出重构前后的对比表格，适用于日常代码质量治理与技术债务清理。

本提示词用于修复代码中的安全漏洞（如 SQL 注入、XSS、命令执行等），重点处理用户输入拼接与敏感信息硬编码问题。您需指出具体风险类型与涉及的变量，AI 将重写逻辑为参数化查询或安全转义函数，并将硬编码的密码/Token 替换为环境变量读取，同时输出修复后的安全使用示例。

本提示词用于分析并优化代码在大数据量场景下的性能问题（如响应超时、内存飙升、卡顿等）。您需提供数据规模与当前耗时，AI将从时间复杂度和空间复杂度分析瓶颈，并通过更高效的数据结构或算法减少循环嵌套，在保持输入输出接口不变的前提下重构代码。

本提示词用于修复代码在特殊输入（空值、负数、极大数、特殊字符等）下输出错误的问题。您需描述异常输入与预期外的结果，AI 将补全边界条件判断、增加 Guard Clauses，并指出逻辑推理中的盲点，适用于提升代码健壮性与异常处理能力。

本提示词将您设定为代码解释专家，能够清晰阐明给定代码的语法结构（词法、句法规则）与语义逻辑（执行流程、功能目的），帮助用户快速理解代码行为与设计意图，适用于学习、调试与代码审查。

本提示词将 AI 设定为一位拥有 5 条“生命值”的编程搭档，每次未能完成代码任务即扣除一条；同时赋予其积极心理暗示，促使其迎难而上、坚持输出正确代码；并规定总代码行数不超过 110 行，且以座右铭“I LOVE CODING”自勉。AI 还需主动向用户提问，引导用户分步提供信息，最终协同完成代码编写，整个过程充满挑战性与互动性。

如果你维护过超过半年的项目，大概率遇到过这种情况：代码能跑，功能正常，但加一个新功能越来越费劲，改一行代码要牵扯五六个文件，测试也很难写。你不知道问题出在哪，更不知道从哪下手。 improve-codebase-architecture 就是用来解决这个问题的。它是一个由 TypeScript 大神 Matt Pocock 开发的 AI 技能，核心工作只有一件事：像医生做体检一样，扫描你的代码仓库，找出架构层面的“病灶”，然后告诉你最该先治哪里。

如果你用过AI写代码，大概率遇到过这种情况——让AI加一个新功能，它直接生成了几百行实现代码，测试文件是空的，或者测试是后补的。你问“测试呢？”，AI说“哦，我补一下”。这不是TDD，这是“测试后补”（Test-After Development）。 tdd技能要解决的就是这个问题。它不是一个“让AI帮你写测试”的工具——它的本质是改变AI写代码的顺序：先写测试，看着它失败，再写最小代码让它通过，最后在绿色状态下重构。整个过程严格按照“红-绿-重构”的纪律执行。

如果你用 AI 写代码，大概率遇到过这种情况：一个需求摆在那，但你不确定技术方案对不对、状态流转合不合理、UI 布局该往哪个方向走。直接让 AI 写最终代码，万一方向错了，返工成本很高。不写吧，光靠脑子想又不够踏实。 prototype 就是 Matt Pocock 开发的一个 AI 技能，专门解决这个问题。它让你在正式提交代码之前，先做一段可丢弃的原型代码，用来回答一个具体的设计问题。

azure-cloud-migrate 是微软官方出品的一款专为 AI Agent 打造的跨云迁移评估与自动化技能。它深度整合了多云迁移的底层逻辑与最佳实践，旨在为开发者、架构师以及自动化运维系统提供完整的迁移解决方案。该插件不仅涵盖了从 AWS 等公有云到 Azure 的全栈服务映射，还打通了代码转换与基础设施生成的自动化链路，将原本耗时数月的复杂迁移工程转化为精准、高效且低风险的标准化流程。

如果你做过深度学习论文的代码复现，一定遇到过这种情况：README 写得很详细，数据集下载、环境配置、训练命令一应俱全，但到了关键环节——比如“使用 ImageNet 验证集”这句话——就戛然而止了。验证集怎么预处理？要不要中心裁剪？归一化参数用哪一组？这些问题 README 没说，代码里也没有注释，但你非得知道答案不可，否则跑出来的结果跟论文对不上。

如果你日常用飞书知识库（Lark Wiki）管理团队文档，同时又依赖 AI 编程助手写代码、做自动化，一定经历过这样的尴尬：AI 助手能帮你写一整套微服务架构，却没法在你的知识库里新建一页文档；能生成几千行测试用例，却找不到你上周存在知识库里的那份技术方案。

做深度学习论文复现的时候，最怕的是什么？不是代码跑不起来，而是跑起来之前根本不知道要跑什么。 你面对一个陌生的 GitHub 仓库，README 洋洋洒洒写了几千字，里面有训练命令、有推理命令、有评估脚本——但哪个是你当前需要的？哪个是官方推荐的？哪个跑起来最省时间、最不容易出错？这些问题如果不先搞清楚，要么一头扎进去乱试，要么花大量时间通读整个仓库再动手。

做深度学习论文复现的时候，最让人烦躁的事情之一就是：你找到了一个看起来能跑的仓库，README 里写了训练命令、推理命令、评估命令，洋洋洒洒一大堆。但当你真正准备动手的时候，卡住了——conda 环境怎么配？数据集往哪放？预训练权重去哪下载？这些 README 里要么没写，要么写得很含糊，你得自己猜、自己试、自己折腾。

你在和 AI 编程助手讨论代码结构的时候，有没有遇到过这种情况——你说“这个模块的接口可以简化一下”，AI 回你“好的，我来优化 API”；你说“这里需要一个适配层”，AI 开始给你写一堆抽象的工厂类。你们说的似乎是同一件事，但又不完全一样。“模块”和“组件”有什么区别？“接口”到底是指类型签名还是包括错误处理和性能特征？“边界”和“接缝”是一回事吗？

grill-with-docs 是 TypeScript 大神 Matt Pocock 开发的另一个 AI 技能，和 grill-me 是“亲兄弟”。 grill-me 做的事情是：AI 通过持续提问，帮你在动手之前把所有模糊的地方想清楚。但 grill-me 有一个“缺点”——它不写任何文件。拷问结束，对话一关，刚才理清楚的思路就只停留在你的脑子里，下次打开一个新的 AI 会话，一切又要重来

适用：重构的项目中的代码。

适用场景：编写脚本、网页开发、学习编程语言。

这是一个强大的编程助手，无论是编写新代码、解释复杂逻辑还是Debug，它都能提供很大帮助。