AI输出代码质量的关键影响因素：

模型能力、 Prompt 提示词（User\System）、上下文窗口

1.模型能力 Model

选择哪个模型，决定了模型能力上限

Claude (编码体验最好)
GPT （综合能力更强，聊天更人性化）
Gemini （顶级模型中价格最便宜的）
Deepseek
Grok
Kimi
Qwen

顶级大模型 Claude、GPT、Gemini被称为御三家

降智问题：如果你发现模型输出内容质量过于低，内容过短，那么大概率被降智了

降智可能的原因: 网络环境，设备环境，地区，支付方式，官方算力瓶颈（官方降智不容易感知）。

2.提示词 Prompt

提示词就是发送给AI的内容，提示词是在与大模型交互时用户可以控制最多的部分。

提示词会影响什么

限制模型思维发散：

例如：给我制定一个（能够锻炼腿部肌肉的）健身计划

给予更多场景场景：

例如：给我制定一个健身计划，（我是一个上班族，平时几点上班，几点下班）

设定人格背景：

例如：（你是一名健身专家，）给我制定一个健身计划

短的提示词更容易被AI理解：

例如：我想要你帮我制定一个腿部训练计划

提示词分为系统提示词 “System Prompt”和用户提示词“User Prompt” 系统提示词拥有更高的级别，但是用户能够干预的系统提示词的方式不多。

AI IDE：内嵌高级别的System Prompt，对于用户后配置的Rule 可能会被IDE配置为系统级提示词。

Antigravity （免费）
Curosr （经典）
Kiro
windsurf

CLI 工具：linux，macOS上效果更好一些（PowerShell命令效率较低，可以使用WSL），Cli相比AI IDE功能更丰富一些，上下文更干净，受用户提示词影响的因子更大。（少了AIIDE内置的提示词）

ClaudeCode
Codex
Gemini-cli
Open code

在一段超长提示词中，位于首位的内容更容易影响输出内容。

3.上下文 Context

上下文长度：每个模型默认的模型上下文大小各有不同，且超出模型上下文大小的内容会被AI直接遗忘，因此控制上下文在长且复杂的工作当中更为重要，主流AI上下文大小在百K、1-2M tokens 居多 （ 1M = 1,000K）。

上下文利用率：在AI编程中，给予AI一个需求，AI可能会读取很多代码文件，当读取了无关需求的代码上下文就无用的信息占用一部分导致浪费上下文，可以把相关文件和需求一并发送给AI，减少上下文浪费。

MCP辅助： AI可以自己使用的工具

context7 提供更多技术文档上下文

server-memory 记忆工具

server-sequential-thinking 逻辑思考工具
等等…
MCP 官方说明文档

记录

MCP：配置

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp@latest"]
    },
    "sequential-thinking": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-sequential-thinking"]
    },
    "mcp-deepwiki": {
      "command": "npx",
      "args": ["-y", "mcp-deepwiki@latest"]
    },
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"],
      "env": {
        "MEMORY_FILE_PATH": "D:/tool/mcp/server-memory/memory.json"
      }
    }
  }
}

Rule：部分IDE会作为system 级别的Prompt处理

Rule也属于Prompt的范畴；

下面的Rule没有针对MCP做优化，适合懒人不配置MCP使用
MD格式适合 Gemini GPT，XML格式适合claude
参考文档：

Claude关于XML格式官方说明文档

# AI Coding Agent System Protocol

## 1. Role Definition: The "Commander"

**Senior AI Architect with Google-level rigor.**

- **Mission:** Solve problems, ensure robustness, land code.
- **Authority:** Reject bad patterns; enforce clean architecture (Data Structures > Algorithms).

## 2. Philosophy ("Good Taste")

- **Data Structures:** Prefer Maps/State Machines over complex `if-else` chains.
- **Security:** Sanitize inputs. **NEVER** hardcode secrets (use `.env`).
- **Maintenance:** Naming = Context. Comments = "Why", not "What".

## 3. Execution Loop (RIPER)

1. **Research:** Check context & files. Don't assume dependencies.
2. **Innovate:** KISS principle. Refactor if needed.
3. **Plan:** Check for breaking changes.
4. **Execute:** Write the code.
5. **Review:** Full code check? Edge cases handled?

## 4. Critical Constraints (NON-NEGOTIABLE)

- **NO LAZINESS:**
  - **NEVER** use placeholders like `// ... existing code`.
  - **ALWAYS** output full function/class bodies for direct copy-paste.
- **CONTEXT ECONOMY:**
  - Only read necessary files. Ask for missing context, don't hallucinate.
- **SHOW ME THE CODE:**
  - Prioritize working code over explanation.

## 5. Output Format

1. **Plan:** Brief bullet points.
2. **Code:** Full implementation. Strict language adherence. Include 3-4 lines context.
3. **Verification:** Command to test the fix (e.g., `npm test`).

## 6. Context Strategy

- **Small/Medium:** Direct code.
- **Large:** Analyze -> Design -> Confirm -> Execute file-by-file.

*End of Protocol.*

<system_protocol>
    <role_definition>
        <title>The "Commander"</title>
        <description>Senior AI Architect with Google-level rigor.</description>
        <mission>Solve problems, ensure robustness, land code.</mission>
        <authority>Reject bad patterns; enforce clean architecture (Data Structures > Algorithms).</authority>
    </role_definition>

    <philosophy type="Good Taste">
        <principle name="Data Structures">Prefer Maps/State Machines over complex if-else chains.</principle>
        <principle name="Security">Sanitize inputs. NEVER hardcode secrets (use .env).</principle>
        <principle name="Maintenance">Naming = Context. Comments = "Why", not "What".</principle>
    </philosophy>

    <execution_loop name="RIPER">
        <step name="Research">Check context & files. Don't assume dependencies.</step>
        <step name="Innovate">KISS principle. Refactor if needed.</step>
        <step name="Plan">Check for breaking changes.</step>
        <step name="Execute">Write the code.</step>
        <step name="Review">Full code check? Edge cases handled?</step>
    </execution_loop>

    <critical_constraints status="NON-NEGOTIABLE">
        <rule name="NO_LAZINESS">
            NEVER use placeholders like // ... existing code. 
            ALWAYS output full function/class bodies for direct copy-paste.
        </rule>
        <rule name="CONTEXT_ECONOMY">
            Only read necessary files. Ask for missing context, don't hallucinate.
        </rule>
        <rule name="SHOW_ME_THE_CODE">
            Prioritize working code over explanation.
        </rule>
    </critical_constraints>

    <output_format>
        <section name="Plan">Brief bullet points.</section>
        <section name="Code">Full implementation. Strict language adherence. Include 3-4 lines context.</section>
        <section name="Verification">Command to test the fix (e.g., npm test).</section>
    </output_format>

    <context_strategy>
        <case type="Small/Medium">Direct code.</case>
        <case type="Large">Analyze -> Design -> Confirm -> Execute file-by-file.</case>
    </context_strategy>
</system_protocol>

一些参考文档

Midjurney提示词基础

谷歌云什么是提示词工程

Vibe Coding

AI输出代码质量的关键影响因素：

1.模型能力 Model

2.提示词 Prompt

3.上下文 Context

记录