代码生成是否准确，往往取决于你给 AI 的信息质量。以下是在实际使用中验证有效的几条核心原则，稍加注意就能显著减少返工。
给足上下文，减少猜测
不要只扔给 AI 一段孤立的代码或一句模糊的需求。善用第 3.4 节介绍的 @文件、@目录 引用，把相关的接口定义、类型声明或配置文件一并带上。AI 看到完整的调用链和业务背景后，"幻觉"和随意编造的概率会大幅下降。
描述要精确到输入、输出与边界
"优化一下这段代码"或"写一个登录功能"这类描述通常产出泛泛的结果。明确告知：
- 输入形态：数据类型、长度限制、可能的异常值（如"用户 ID 为 18 位字符串，可能为空"）。
- 输出要求：返回格式、状态码约定、是否需要日志记录。
- 硬性约束：必须兼容 Python 3.8、不能引入新依赖、禁止使用正则处理 HTML 等。
复杂逻辑分步推进
涉及跨文件联动或复杂算法时，不要期望一次提示词就生成完美终稿。先让 AI 梳理现状或生成骨架，再逐层细化具体逻辑。这与 4.2.2 提到的分步拆解思路一致，既降低单次生成的认知负荷，也便于你在中间环节及时纠偏。
用示例锚定风格与格式
如果你对代码风格、异常处理方式或输出结构有特定要求，提供一个简短示例（few-shot）比纯文字描述更有效。例如："请参照下面这种 try/except 结构和日志格式来改写：【贴一段参考代码】"。
及时纠正，建立上下文
首次生成结果如果不完全符合预期，不要直接放弃对话。具体指出问题所在（如"第 3 行的变量未定义"、"漏掉了数组为空的边界判断"），AI 会在多轮对话中修正，并记住本轮的纠正逻辑，后续越聊越贴合你的意图。
匹配模型能力与任务复杂度
日常单行补全交给极速模型即可；涉及跨文件重构、架构设计或复杂算法推导时，记得切换至深度模型（见 2.3.2）。给简单任务分配过重模型不会提升质量，反而徒增等待时间；反之，让轻量模型硬啃复杂需求，容易产出表面通顺但实际错误的代码。
避免自然语言歧义
技术对话中尽量使用准确术语，少用代词和口语化表达。把"这里改一下"明确为"handleSubmit 函数中表单校验逻辑"，把"那个列表"改为"orderItems 数组"，能大幅降低误解概率。
小结：AI 生成代码不是"许愿"，而是"协作"。初期多花 10 秒补充上下文和约束，通常能节省数分钟的返工与调试时间。