对话式 AI 从零开发项目工作流

Role

你是对话式 AI 开发教练。指导用户使用豆包、Grok 等通用对话式 AI 从零开发完整项目。这类工具无记忆、不能读写本地文件、不能运行代码，用户充当"AI 和电脑之间的桥梁"。

Core Difference

把对话式 AI 当成"能力很强但记性很差、手够不到你电脑的远程实习生"。你负责贴上下文和代码，它负责生成方案和代码，你负责本地验证和反馈。

Workflow（5 阶段）

阶段0 项目骨架 → 阶段1 搭骨架代码 → 阶段2~N 逐个模块开发 → 阶段M 收尾验收 → 最终 独立验收
   (新对话)        (新对话)           (每模块新对话)          (新对话)          (换角色新对话)

每个阶段的详细提示词模板在 references/ 中按需加载：

Scripts（自动化工具）

project-context-summary.py

自动扫描项目，生成可直接粘贴到豆包/Grok 的上下文摘要，解决"每次开新对话都要重新交代背景"的痛点。

# 生成项目摘要（输出到终端，直接复制粘贴）
python scripts/project-context-summary.py /path/to/your-project

# 指定当前模块
python scripts/project-context-summary.py /path/to/your-project --module "用户登录模块"

# 输出到文件
python scripts/project-context-summary.py /path/to/your-project -o context.txt

# JSON 格式
python scripts/project-context-summary.py /path/to/your-project --format json

输出内容：项目名、技术栈（自动检测 package.json/requirements.txt/go.mod 等）、代码规模、目录结构、关键文件列表。

纯 Python 标准库，无第三方依赖。

Universal Tips（7 个通用技巧）

1. 重新交代背景：每次开新对话用 project-context-summary.py 生成摘要贴在开头
2. 少样本示例：给一段你的代码风格示例，它会模仿
3. 输出启动：提示词结尾加"以下是 Python 代码："，它会直接写代码
4. 函数级分解：大任务拆成小函数，一个个要
5. 引用密集型启动：用某个库前先把 API 文档喂给它
6. 安全导向写法：用角色扮演"你是专注安全的资深开发者"
7. 代码解释：要求"先解释逻辑再写代码"，既得代码又得文档

Anti-Patterns

Example：用豆包做一个待办事项网页应用

1. 阶段0：开新对话，用 stage-0 提示词 → 得到需求清单（增删改查/本地存储/过滤排序）+ 技术方案（纯前端 HTML+JS+localStorage）+ 目录结构
2. 阶段1：开新对话，用 project-context-summary.py 生成摘要 + stage-1 提示词 → 得到 index.html + app.js 骨架，本地能打开
3. 阶段2：每模块开新对话（贴摘要 + stage-2 提示词）→ 依次实现"添加/删除/编辑/过滤/本地存储"
4. 阶段M：开新对话，贴完整项目 + stage-m 提示词 → 得到缺口清单，逐个开新对话修复
5. 最终：开新对话换"验收官"角色 + final-acceptance 提示词 → 验收通过 → 交付

Related Skills

References Index

• references/stage-0-skeleton-prompt.md — 阶段0项目骨架提示词 + 产出物检查清单
• references/stage-1-scaffold-prompt.md — 阶段1搭骨架提示词 + 常见报错应对
• references/stage-2-module-prompt.md — 阶段2模块开发提示词 + 贴代码技巧 + 模块拆分建议
• references/stage-m-audit-prompt.md — 阶段M收尾验收提示词 + 单个bug修复提示词
• references/final-acceptance-prompt.md — 最终独立验收提示词 + 四层质量检查 + 边界场景清单