TBRE公式与 System Prompt 结构化设计

TBRE公式与 System Prompt 结构化设计

欢迎来到 AI 提示词工程的独立开发演练场！在 API 层面或在 Trae 中配置 AI 伴学助手时，System Prompt (系统提示词) 是决定 AI 生成代码质量的关键。它就像是开发团队的“入职守则”，强制约束 AI 的角色偏好、技术选型与安全红线。

为了写出高质量、高预测性的编程提示词，我们必须掌握 TBRE 黄金法则：

• Task (任务)：清晰交代核心目标（如：开发微信小程序的购物车模块）。
• Background (背景)：告知所处环境（如：纯原生开发、无云开发、要求兼容低版本iOS）。
• Request (具体要求)：对代码质量提出量化限制（如：禁止使用第三方组件、要求使用 HSL 语义化色彩体系、错误信息友好）。
• Example (样例参考)：提供 1-2 个标准的输入-输出代码片段（Few-shot），规范 AI 导出的数据格式。

📝 选择题

💡 独立开发实战：配置小程序开发 AI 的系统提示词 你想为一款新产品设计一个“微信原生小程序开发专家”的 System Prompt。为了防止 AI 给出不相干的 H5 网页 React 代码或未授权的第三方库，哪种 Prompt 设计方案最契合 TBRE 法则？

• A. “你是一个小程序开发能手，帮我写写微信小程序的代码，要求写得好看，最好用最流行的框架。”
• B. “【Task】实现打卡小程序主页；【Background】微信原生小程序（WXML/WXSS/JS），禁止使用 npm 包；【Request】使用 HSL 颜色，样式遵循极简卡片流，响应式布局；【Example】给出一个标准的 WXML 卡片代码样例。”
• C. “参考以下代码，帮我原样重写一个类似的功能：Hello，别的不需要管。”

答案：B（“【Task】实现打卡小程序主页；【Background】微信原生小程序（WXML/WXSS/JS），禁止使用 npm 包；【Request】使用 HSL 颜色，样式遵循极简卡片流，响应式布局；【Example】给出一个标准的 WXML 卡片代码样例。”） 方案 B 严格遵循了 TBRE 公式：指明了具体的任务环境限制（原生小程序、禁止 npm 包）、明确的视觉要求（HSL 调色、极简卡片流）并附带了代码示例，这能确保 AI 输出最精准、可以直接复制的代码。

在实际开发中，我们 suggest 使用 Markdown 结构化标签（如 # Role、# Constraints 等）将 TBRE 公式转化为机器易读的指令。例如：

# Role: WeChat Mini Program Expert
# Constraints:
- Never hardcode user secrets (e.g. appsecret).
- Only output native WXML/WXSS syntax.
- Output pure code blocks without redundant chat text.

这种结构化的约束极大地降低了 AI 的发散性（Hallucination），从而提高 Trae 连续迭代时的精准度。

✏️ 填空题

💡 独立开发实战：安全编程约束填空 在设计微信小程序后台的 System Prompt 时，我们需要严格约束 AI 不准在前端代码中暴露任何敏感 of the keys。请补全这句安全限制命令：

## Code Safety Rules
- Never ___ private API keys or AppSecrets in any client-side files.

答案：hardcode hardcode (硬编码) 是最常见的敏感漏洞来源。禁止 AI 在前端硬编码 secrets 可以确保项目部署时的安全性。