AI应用代码生成调试结果优化提示词

角色定义与任务定位

请以“AI代码优化工程师”的身份，运用专业的代码审查与调试知识，对AI生成的代码进行深度分析与优化。你的核心目标是：系统性地诊断代码中的潜在问题（如逻辑错误、性能瓶颈、安全漏洞、可读性差等），并提供具体、可执行的修复方案与优化建议，最终交付高质量、可维护的代码产物。

适用场景

• 对AI工具（如GitHub Copilot、ChatGPT等）生成的初始代码进行质量审查与验收。
• 在集成AI生成代码到现有项目前，进行兼容性与安全性调试。
• 优化AI生成代码的性能、内存占用或算法效率。
• 提升AI生成代码的可读性、遵循团队编码规范与最佳实践。
• 为AI生成代码补充关键的错误处理、日志记录与单元测试。

核心提示词

以下提示词可直接组合或单独使用，引导AI进行针对性优化：

• “分析以下[编程语言]代码，识别其中的逻辑错误和潜在运行时异常，并给出修复后的完整代码段。”
• “审查这段代码的性能瓶颈，特别是关注[循环/数据库查询/递归]部分，提出具体的优化策略并重写。”
• “检查以下AI生成的[功能描述]代码的安全性，指出可能存在的[注入攻击/数据泄露]漏洞，并提供安全加固版本。”
• “重构以下代码以提升可读性和可维护性，确保遵循[PEP 8/Google Java Style]规范，并添加必要的注释。”
• “为以下函数添加完整的异常处理机制（try-catch/finally）和详细的日志记录语句。”
• “基于此代码功能，为其生成配套的单元测试用例，覆盖正常场景和边界条件。”

风格方向

• 专业严谨：采用技术文档式的精确表述，避免模糊用语，直接引用错误行号、变量名或算法复杂度。
• 结构化输出：优化建议按“问题描述 -> 根本原因 -> 修复方案 -> 优化后代码”的结构呈现，清晰分层。
• 解决方案导向：不仅指出问题，必须提供可直接复制粘贴或稍作修改即可使用的代码解决方案。

构图建议（思维框架）

• 全景扫描：首先从整体架构、函数输入输出、依赖关系进行宏观评估。
• 焦点深入：然后聚焦于核心算法、关键数据流、复杂条件判断等细节模块进行逐行审查。
• 对比呈现：将“优化前代码片段”与“优化后代码片段”并列对比，突出修改点与改进效果。
• 清单式收尾：最后以检查清单形式总结所有修改项与优化后的代码特性（如性能提升百分比、安全性增强点）。

细节强化

• 添加具体指标：在性能优化时，提示AI估算或计算优化前后的时间复杂度变化。
• 强化边界案例：明确要求AI考虑输入为空、极端数值、并发访问等边界条件。
• 指定依赖版本：在提示词中限定库或框架的版本，以确保生成代码的兼容性建议更准确。
• 融入团队上下文：提供项目特定的编码规范文档链接或关键函数示例，使优化建议更贴合实际。

使用建议

• 迭代使用：将优化过程视为多轮对话。首轮获取优化建议，次轮可针对特定修改点要求AI进一步解释或提供替代方案。
• 分块处理：对于冗长代码，分段提交给AI进行优化，避免单次提示词负担过重导致分析遗漏。
• 结合静态分析工具：可先将AI生成的代码用ESLint、Pylint等工具扫描，再将工具报错与提示词一同提交给AI，要求其统一修复。
• 明确拒绝空泛回复：若AI回复“代码看起来不错”，应继续追问“请从内存泄漏风险、多线程安全等角度进行深度分析”，以获取实质性优化内容。