用 LLM 写代码已经从简单的自动补全,演变成复杂的多文件自主代码生成。Cursor、Copilot Workspace 和自定义编程脚本让你可以在几小时内构建复杂的 Web 应用。但如果缺乏结构化的提示词和上下文控制,LLM Agent 经常产生幻觉、引入 Bug,或者覆盖已有功能。

本指南拆解管理 AI 上下文、配置编码规则、结构化系统指令的专业工作流,帮你从现代大模型手里拿到最好的产出。

一、严格的上下文控制:只喂给 AI 需要的部分

LLM 的上下文窗口很大,但你喂给它的无关代码越多,它分心和产生语法错误的概率就越高。保持上下文小而精的几条规则:

  • 使用 .cursorrules 或系统指南:在项目根目录建一个专属规则文件,定义技术栈、组件规范和代码风格。这会强制 LLM 写出风格一致的代码。
  • 排除模式:把大型构建目录、依赖(node_modules/)和编译产物从 Agent 的视野里排除。在 Cursor 里配置索引忽略这些路径。
  • 精准引用:别让 AI 读整个代码库,用符号(如 @filename 或 @functionName)引用具体文件。

二、如何编写编码规则文件(.cursorrules)

一份好的 .cursorrules 会告诉模型架构约束、风格偏好和调试流程。下面是一个对前端项目非常有效的极简模板:

# Plobi-kit 编码规范

- 核心技术:原生 HTML、CSS、JavaScript(ES6 Modules)
- 代码风格:最小干预,只改必要的行,不做未经要求的"顺手清理"
- 样式:原生 CSS,写在 css/*.css;除非被要求,不引入框架配置
- 平台约束:兼容 Node.js/Windows 路径;使用绝对导入或本地模块
- 验证:输出前始终对照现有脚本检查

三、与编程 Agent 协作:迭代闭环

把 AI Agent 当成初级工程师。不要指望一个提示词就让它完成复杂功能,而是引导它走一个迭代闭环:

  1. 先规划:让 AI 调研并列出需要修改的文件和实现逻辑。这个阶段不允许它改文件。
  2. 确认设计:审阅计划,澄清模糊点。
  3. 增量执行:让 AI 每次只写一个文件或组件。每次修改之间编译或跑测试验证。
  4. 验证与修正:手动或通过测试验证结果,有问题就让 Agent 调整。