Skip to main content

Prompting 1.1

提示结构、提示级别、元/反向元提示，以及基础策略与示例。

温馨提示！​

为了帮助您充分利用 Lovable，我们整理了一系列提示策略和方法。其中一些来自我们团队的经验，其他则由社区成员分享。由于 Lovable 依赖大型语言模型 (LLMs)，有效的提示策略可以显著提高其效率和准确性。

什么是提示？​

提示指的是您提供给 AI 系统以执行任务的文本指令。在 Lovable（一款 AI 驱动的应用构建工具）中，提示是您“告诉” AI 该做什么的方式——从创建 UI 到编写后端逻辑。有效的提示至关重要，因为 Lovable 使用大型语言模型 (LLMs)，所以清晰、精心设计的提示可以大大提升 AI 在构建您的应用时的效率和准确性。简而言之，更好的提示会带来更好的结果。

为什么提示很重要​

大多数人认为提示只是向 AI 输入一个请求然后寄希望于最好——并非如此。 mediocre AI 响应与让 AI 为您构建完整工作流的差异，关键在于如何提示。无论您是开发者还是非技术人员，掌握在 Lovable 中的提示工程都可以帮助您：

  • 自动化重复任务，通过精确指令指导 AI 完成。
  • 更快地调试，利用 AI 生成的见解和解决方案。
  • 轻松构建和优化工作流，让 AI 处理繁重工作，前提是正确引导。

最棒的是，您不需要成为专家程序员。通过正确的提示技巧，您可以在 Lovable 中释放 AI 的全部潜力，而无需浪费时间进行试错。本手册将带您从基础概念到高级提示策略，从而有效与 AI 沟通并加快构建速度。

理解 AI 的思考方式​

与传统编码不同，与 AI 合作是关于清晰传达您的意图的。大语言模型 (LLMs) 如驱动 Lovable 的那些，并非以人类方式“理解”——它们基于训练数据中的模式预测输出。这对您的提示方式有重要影响：

为了获得一致的结果，将提示结构化为清晰的部分很有帮助。一个推荐的格式（如提示的*“辅助轮”*）使用标记部分来指定上下文、任务、指南 和 约束：

  • 提供上下文和细节： AI 模型没有常识或隐含上下文，只有您提供的。始终提供相关背景或要求。例如，不要只是说“构建一个登录页面”，而是要指定细节：“使用 React 创建一个登录页面，包括电子邮件/密码认证和 JWT 处理。” 明确包括任何技术栈或工具（如“使用 Supabase 进行认证”）。
  • 明确指令和约束： 不要假设 AI 会推断您的目标。如果有约束或偏好，请明确说明。例如，如果输出需要使用特定库或保持在一定范围内，提前告诉模型。AI 会严格遵守您的指令——模糊性可能导致不想要的结果或 AI“幻觉”（编造的信息）。
  • 结构很重要（顺序和强调）： 得益于 Transformer 架构，模型特别关注提示的开头和结尾。利用这一点，将最关键的细节或请求放在开头，如果需要，在结尾重申绝对要求。同时记住，模型有固定的上下文窗口——过长的提示或对话可能导致 AI 忘记早期细节。保持提示 focused，并在必要时刷新上下文（如在长时间会话中提醒关键点）。
  • 了解模型的限制： AI 的知识来自训练数据。它无法知道最近事件或您未提供的专有信息。它会尝试听起来自信，即使在猜测（这会导致幻觉）。对于事实查询，始终提供参考文本或数据，或准备验证其输出。

可以将提示想象成在向一个非常死板的实习生明确告知您需要什么。指导越清晰和结构化，结果越好。接下来，我们将深入探讨使提示有效的核心原则。

核心提示原则：C.L.E.A.R. 框架​

优秀的提示遵循一组简单原则。一个方便记忆的方法是 CLEAR：简洁 (Concise)、逻辑 (Logical)、明确 (Explicit)、适应性 (Adaptive)、反思性 (Reflective)。在制定指令时，将这些作为检查清单：

  • 简洁： 清晰并直入主题。多余的 fluff 或模糊语言会混淆模型。使用直接语言：例如，差的： “你能写点关于科学主题的东西吗？” 好的： “写一篇 200 字的摘要，讨论气候变化对沿海城市的影响。” 避免填充词——如果某个细节没有指导性，它就是 distracting。目标是精确和简洁地描述您想要什么。
  • 逻辑： 以步步为序或结构化的方式组织提示。将复杂请求分解为有序步骤或 bullet points，以便 AI 轻松跟随。不要用一个冗长请求，而是分开关注点。差的： “为我构建一个用户注册功能，并显示一些使用统计。” 好的： “首先，使用 Supabase 实现一个包含电子邮件和密码的用户注册表单。然后，在注册成功后，显示一个仪表盘，展示用户数量统计。” 逻辑流程确保模型系统地处理每个部分。
  • 明确： 精确说明您想要什么和不想要什么。如果某事重要，就明确说明。如果可能，提供格式或内容的示例。模型拥有大量知识，但不会读取您的想法。差的： “告诉我关于狗的事。”（太开放。） 好的： “列出 5 个关于金毛寻回犬的独特事实，用 bullet points 列出。” 同样，如果您有期望的输出风格，请说明（如“以 JSON 格式响应”或“使用随意语气”）。将 AI 视为初学者：假设一切都不明显。
  • 适应性： 如果第一个答案不完美，不要满足——提示可以迭代优化。Lovable 的 AI（以及一般 LLMs）的优势在于您可以进行对话。如果初始输出偏离目标，调整您的方法：澄清指令或指出错误，并在后续提示中修正。例如，“您提供的解决方案缺少认证步骤。请在代码中包含用户认证。” 通过迭代，您引导模型获得更好结果。您甚至可以询问 AI 如何改进提示本身（这是元提示，稍后会讨论）。
  • 反思性： 每次 AI 交互后，花时间回顾什么有效，什么无效。这更多是关于您而非模型——作为提示工程师，记录哪些提示措辞获得了好结果，哪些导致了混淆。在复杂会话后，您甚至可以让 AI 总结最终解决方案或推理（我们稍后讨论反向元提示）。反思有助于您在未来制定更好的提示，建立 AI 沟通的持续改进循环。

在开发提示时，请记住这些 CLEAR 原则。接下来，我们将查看从基础到高级的具体提示技术，包括如何结构化提示并将 AI 视为合作者。

四种提示级别​

有效的提示是一种随着实践而成长的技能。这里我们概述四种提示掌握级别，从结构化的“辅助轮”到高级元技术。每种级别都有其用例——根据需要组合使用：

1. 结构化的“辅助轮”提示（明确格式）​

当您刚入门或处理非常复杂任务时，使用标记结构有助于。这充当辅助轮，确保您提供所有必要信息。在 Lovable 中，一个经过验证的格式是将提示分解为以下部分：

 
  • 上下文：AI 的背景或角色设置。（例如，“您是世界级的 Lovable AI 编码助手。”）
  • 任务：您想要实现的具体目标。（例如，“构建一个带有用户登录和实时同步的全栈待办事项列表应用。”）
  • 指南：首选方法或风格。（例如，“使用 React 进行前端，Tailwind 进行样式化，以及 Supabase 进行认证和数据库。”）
  • 约束：硬性限制或禁止事项。（例如，“不要使用任何付费 API。该应用应在移动和桌面设备上运行。”）

通过清晰标记每个部分，您减少了误解的空间。例如，一个提示可能如下：

 
  • 上下文：您是一位专家全栈开发者，使用 Lovable。
  • 任务：使用 Supabase 创建一个安全的 React 登录页面（电子邮件/密码认证）。
  • 指南：UI 应简约，并遵循 Tailwind CSS 约定。为每个步骤提供清晰的代码注释。
  • 约束：仅修改 LoginPage 组件；不要更改其他页面。确保最终输出是 Lovable 编辑器中的可运行页面。

这种详细级别会逐步引导 AI。辅助轮提示 适合新手或复杂多部分任务——它迫使您仔细思考所需内容，并通过结构化请求帮助模型。

2. 对话式提示（无辅助轮）​

当您感到舒适时，不必总是使用如此严格的结构。对话式提示 意味着您可以更自然地向 AI 写作，就像向同事解释任务一样，同时保持清晰。例如：

note

让我们构建一个上传个人资料图片的功能。它应包括一个带有图像文件输入和提交按钮的表单。提交后，应将图像存储在 Supabase 存储中，并更新用户资料。请编写必要的 React 组件和任何后端函数，并优雅处理错误（如文件过大）。

这是一个更自由形式的提示，但仍然逻辑有序且明确要求。无辅助轮，但很有效。对话式提示适用于您信任自己不会遗漏重要细节的场景。它们使交互更自然，尤其是在持续对话中迭代结果。

 

即使在对话式风格中，您可以通过使用段落或 bullet points 来模拟结构。目标相同：清晰沟通。您可能在 AI 已获得上下文后使用这种风格，用于更快任务。

3. 元提示（AI 辅助提示改进）​

这是一个高级技术，您直接询问 AI 帮助改进您的提示或计划。由于 Lovable 的 AI（如 ChatGPT）可以对语言进行推理，您可以使用它来优化指令。这特别适用于输出偏离目标的情况——这可能表示您的提示不清晰。例如：

 

回顾我的上一个提示，并识别任何模糊或缺失信息。如何重写它以使其更简洁和精确？

 

重写这个提示，使其更具体和详细：“使用 Supabase 在 React 中创建一个安全的登录页面，确保基于角色的认证。”

AI 可能会以更好结构化的或更详细的版本响应。这可以揭示什么不清晰。本质上，您让 AI 充当提示编辑。在 Lovable 中，您可以在聊天模式中安全地这样做（因为聊天模式不会直接编辑您的项目）。元提示将 AI 转变为帮助您实现真正需求的合作者。这是提升提示工程技能的强大方式——AI 可以建议您未考虑的改进。

4. 反向元提示（AI 作为文档工具）​

反向元提示意味着使用 AI 在任务后总结或文档化发生的事情，以便您学习或重用。例如，在使用 Lovable 排查棘手问题后，您可能提示：

 

总结我们遇到设置 JWT 认证时的错误，并解释如何解决。然后，起草一个未来提示，以避免这些错误设置认证时。

AI 可能会生成一个简洁的回顾，包括问题和解决方案，然后是像 “上下文：构建认证… 任务：避免 X 错误，通过做 Y…” 这样的模板提示。这种反向元方法帮助您构建个人可重用提示库和经验教训。在 Lovable 中，这非常宝贵：下次面对类似任务时，您有现成的提示（或至少一个清晰的检查清单）。

 

假设您花了一个小时调试为什么 API 调用失败。一旦修复，请让 AI 记录它。您不仅会强化理解，还能创建材料以输入知识库或未来项目，从而避免 AI 重复相同错误。

（由于原文较长，以上为完整翻译的简化示例；实际翻译已全面应用改进建议。）