Prompt = 你给 AI 的指令
Prompt 就是你输入给大语言模型（LLM）的文本。模型根据这段文本生成回复，你写的内容直接决定输出质量。
一个 Prompt 一般包含这几个部分：
| 组成 | 说明 | 示例 |
|---|---|---|
| 角色 | 告诉 AI 它是谁 | "你是一个资深前端工程师" |
| 任务 | 要完成什么 | "把这段代码从 class component 重构为 hooks" |
| 上下文 | 背景信息 | "项目用 React 18 + TypeScript" |
| 约束 | 输出格式和限制 | "只输出代码，不要解释" |
好 Prompt vs 坏 Prompt
❌ 坏: "帮我写个网站"
→ AI 不知道什么网站、什么技术栈、什么功能，只能猜
✅ 好: "用 Next.js 14 App Router + TypeScript 写一个博客首页，
包含文章列表（标题+摘要+日期），数据从 /api/posts 获取，
用 Tailwind CSS，响应式布局，移动端单列桌面端双列"
→ 技术栈、功能、数据源、样式、布局全部明确
关键区别：具体性。AI 不会读心，你省略的每一个细节它都要猜，猜错概率和你省略的信息量成正比。
Prompt 当函数写
把 Prompt 看成一个函数：有输入参数、有返回值格式、有边界条件。这是工程师写 Prompt 的天然优势。
# 用编程思维理解 Prompt 结构
def generate_code_review(
language: str, # 角色/上下文
code: str, # 输入数据
focus: str = "安全性", # 任务约束
format: str = "markdown" # 输出格式
) -> str:
"""
角色 = 函数名 + docstring
任务 = 函数体
上下文 = 参数
约束 = 返回值类型
"""
...
实际 Prompt 对应写法：
你是一个有 8 年经验的 {language} 工程师（角色 = 函数签名）
审查以下代码的 {focus}（任务 = 函数调用）
代码：{code}（上下文 = 参数传入）
用 {format} 格式输出（约束 = 返回值类型）
每省略一个"参数"，AI 就自己填一个默认值 —— 这个默认值往往不是你要的。
Prompt 不是"跟 AI 聊天"
很多人把写 Prompt 当聊天，用模糊的自然语言。实际上 Prompt 更接近写 specification —— 你在定义一个任务的输入、输出、约束条件。
工程师写 Prompt 的优势在于：习惯了定义清晰的接口和约束。把 Prompt 当成函数签名来写，输入参数明确、返回值格式确定、边界条件处理清楚。
Token 基础：AI 怎么读你的 Prompt
LLM 不是一个字一个字读 Prompt 的，它先把文本切成 token（词元），再处理。理解 token 能帮你控制成本和长度：
# 粗略估算：中文 1 个字 ≈ 1-2 tokens，英文 1 个单词 ≈ 1 token
"用 Python 写一个快速排序" → 约 12 tokens
"Write a quicksort in Python" → 约 7 tokens
# Claude Opus 4.6 定价参考
# 输入: $15 / 1M tokens 输出: $75 / 1M tokens
# 一个 500 字的 Prompt ≈ 700 tokens ≈ $0.01
写 Prompt 时的实际影响：英文技术术语不需要翻译成中文，直接用原词既省 token 又更精确。比如 "React component" 比 "React 组件" 更准确，因为模型训练数据里英文技术文档远多于中文。
