AI 生成代码冗余？4 个优化技巧打造工业级代码

生成结果优化对比：

# 优化前（可能来自模糊提示）
def average(numbers):
    if len(numbers) == 0:
        return None  # 不符合返回 0 的要求
    sum_val = 0
    for num in numbers:
        sum_val += num
    avg = sum_val / len(numbers)
    return avg

# 优化后（来自精准提示）
from typing import List

def calculate_mean(numbers: List[float]) -> float:
    """计算浮点数列表的算术平均值，空列表返回 0.0。"""
    if not numbers:
        return 0.0
    total = 0.0
    count = 0
    for num in numbers:
        total += num
        count += 1
    return total / count  # 满足 O(n) 时间，O(1) 空间

1.2 分步提示，引导复杂逻辑

对于复杂任务，不要期望一次生成完美代码。将其分解为步骤。

示例：

1. '首先，生成一个从 REST API 获取用户数据的函数框架。'
2. '现在，为这个函数添加重试机制（最多 3 次），使用指数退避。'
3. '最后，为整个函数添加完整的错误处理日志。'

技巧二：上下文约束与角色扮演——为 AI 设定'边界'

核心：利用 AI 的上下文窗口，提供项目特定的约束条件，模拟资深开发者审阅。

2.1 提供项目编码规范

在请求前，粘贴你的项目规范或 eslint/ruff 配置片段。

提示示例：

请根据以下编码规范编写一个 React 函数组件：
- 使用 TypeScript，定义 Props 接口。
- 使用函数声明而非箭头函数。
- 使用解构赋值获取 props。
- 错误处理使用自定义 Hook `useErrorBoundary`。
- 禁止使用 `any` 类型。
组件名称：`UserProfileCard`，需展示用户姓名、头像和邮箱。

2.2 设定架构与版本约束

明确技术栈版本和架构模式（如 MVC、Clean Architecture）。

# 在提示中提供的约束示例
技术栈约束：
- 语言：Python 3.11+
- Web 框架：FastAPI
- 数据库：SQLAlchemy 2.0 (ORM)
- 代码风格：Black 格式化，每行最大 88 字符
- 禁止：避免使用全局变量，优先使用依赖注入

技巧三：迭代重构与设计模式引导——从能用到优雅

核心：AI 擅长生成'第一版'，人类开发者应引导其进行重构，应用设计模式。

3.1 识别坏味道并要求重构

将 AI 生成的代码作为起点，直接要求其进行重构。

对话流程：

你：'生成一个从数据库获取用户并发送邮件的函数。'
AI：（生成一个包含数据库查询和邮件发送逻辑的冗长函数）
你：'这个函数违反了单一职责原则。请将其重构为三个类：UserRepository、EmailService 和一个协调类 UserNotificationService。使用依赖注入。'

3.2 引入设计模式

明确要求使用特定设计模式优化代码结构。

示例：要求使用策略模式优化不同支付方式的处理

初始 AI 代码（可能冗长的 if-else）：

class PaymentProcessor:
    def process(self, method, amount):
        if method == "credit_card":
            # ... 数十行信用卡处理逻辑
        elif method == "paypal":
            # ... 数十行 PayPal 处理逻辑
        elif method == "crypto":
            # ... 数十行加密货币逻辑

优化提示：

上述代码耦合度高。请使用策略模式（Strategy Pattern）进行重构，定义 `PaymentStrategy` 抽象基类和具体策略类。再创建一个 `PaymentContext` 类来使用策略。

AI 重构后的核心结构：

from abc import ABC, abstractmethod
from typing import Protocol

class PaymentStrategy(Protocol):
    def execute(self, amount: float) -> bool: ...

class CreditCardStrategy:
    def execute(self, amount: float) -> bool:
        # 具体信用卡逻辑
        return True

class PaymentContext:
    def __init__(self, strategy: PaymentStrategy):
        self._strategy = strategy

    def process_payment(self, amount: float) -> bool:
        return self._strategy.execute(amount)

# 使用 context = PaymentContext(CreditCardStrategy())
# context.process_payment(100.0)

流程图：AI 代码迭代优化工作流

技巧四：安全与性能审查——最后的把关

核心：AI 可能忽略安全漏洞和性能陷阱。必须进行专项审查。

4.1 安全审查提示

针对生成的代码，要求 AI 进行安全漏洞分析并提供修复方案。

提示：

请分析以下 Python 代码可能存在的安全漏洞（如 SQL 注入、命令注入、路径遍历、硬编码密钥等），并提供修复后的安全版本。

# 假设 AI 先前生成的待审查代码
import sqlite3
import os

def get_user(username):
    conn = sqlite3.connect('database.db')
    cursor = conn.cursor()
    query = f"SELECT * FROM users WHERE username = '{username}'"  # 风险点：SQL 注入
    cursor.execute(query)
    return cursor.fetchall()

def read_file(user_input):
    path = "/data/" + user_input  # 风险点：路径遍历
    with open(path, 'r') as f:
        return f.read()

4.2 性能审查与优化

要求 AI 分析时间复杂度，并建议优化方案（如使用记忆化、更优的数据结构）。

提示：

分析以下函数的性能瓶颈，并提供一个优化版本。关注时间复杂度和不必要的对象创建。

def find_duplicates(items):
    duplicates = []
    for i in range(len(items)):
        for j in range(i+1, len(items)):
            if items[i] == items[j] and items[i] not in duplicates:
                duplicates.append(items[i])
    return duplicates  # 时间复杂度 O(n²)，且列表查找效率低

AI 优化建议可能包括：

• 使用集合（Set）进行 O(1) 查找。
• 使用字典（Counter）计数。

总结：构建人机协同的工业级编码工作流

AI 编码助手不是替代开发者的'自动程序员'，而是一个强大的'副驾驶员'。要使其产出工业级代码，关键在于建立有效的人机协同流程：

1. 清晰定义：通过精准提示，设定明确的目标、约束和质量标准。
2. 迭代精炼：将 AI 输出视为初稿，主动引导其进行重构和模式应用。
3. 上下文赋能：将项目规范、架构决策作为关键输入，让 AI 在边界内创造。
4. 严格审查：永远对安全、性能和可维护性进行最终的人工或工具化审查。

最终，最强大的'优化技巧'是开发者自身的批判性思维和领域知识。AI 负责扩展可能性，而人类负责确保代码的正确性、适用性与优雅性。拥抱这个协作模式，你将能显著提升开发效率，同时保证代码库的长期健康。

附录：相关资源链接

1. GitHub Copilot 官方最佳实践文档
2. OpenAI ChatGPT 提示工程指南
3. 《重构：改善既有代码的设计》by Martin Fowler
4. OWASP Top Ten
5. Google Engineering Practices Documentation