工程化AI提问方法的迭代演进与开发者赋能研究
——从Excel轻量化工具到IDE原生自动化插件
摘 要
生成式人工智能（Artificial Intelligence, AI）已深度改变软件开发模式，AI辅助编程工具显著提升了开发者编码效率，但人机交互质量不足成为制约AI能力发挥的关键问题。当前多数普通开发者提问时存在信息零散、边界模糊、缺乏前置思考等问题，导致AI输出不可控、迭代成本高、幻觉风险突出，削弱了AI带来的效率优势。基于既有工程化AI提问方法的三大核心支柱（信息完备性、约束明确性、前置认知）与六步闭环流程，针对Excel轻量化工具的固有局限，我们完成了向集成开发环境（Integrated Development Environment, IDE）原生自动化插件FlowPrompt Studio v2.1的迭代，构建了面向普通开发者的全链路自动化工程化提问体系。52名开发者为期8周的交叉对照实验表明，迭代后的工具使开发者平均提问迭代次数较Excel工具减少50%，方案一次接受率提升16.5%，代码缺陷密度降低33.9%，AI算力有效利用率从78.6%提升至95.2%；其中初级、中级开发者的方案一次接受率分别提升13.9和11.8个百分点，赋能效果显著。本研究填补了工程化AI提问方法从理论到自动化落地的研究缺口，为普通开发者高效运用AI、企业规模化推广AI辅助编程提供了理论支撑与实践方案。
关键词：工程化AI提问；AI辅助编程；人机协同软件工程；提示工程；开发者赋能；IDE插件
中图法分类号 TP311.5　　　DOI号
1 引言
1.1 研究背景与问题提出
GitHub 2024年度报告显示，使用AI辅助编程工具的开发者可提升55%的代码编写效率，超83%的企业已将AI辅助编程纳入核心研发流程。生成式AI正从单纯的代码补全工具，转变为开发者全流程协作伙伴，影响着软件开发的需求分析、方案设计、编码实现、测试运维等各个环节。但行业实践中，人机交互质量不足的问题普遍存在：Stack Overflow 2023年开发者调研显示，超70%的开发者因提问信息缺失、边界模糊、需求不明确，导致AI输出偏离业务目标、存在逻辑漏洞或幻觉内容，平均需5轮以上迭代才能获得可用方案，难以充分发挥AI的效率价值。
这一问题在普通开发者群体中尤为突出。本文所指的普通开发者，包括从业3年以内的初级开发者、具备基础编码能力但缺乏系统工程化思维的中级开发者，以及无专业计算机背景、借助AI完成软件开发的非专业开发者。该群体占行业开发者总量的70%以上，也是AI辅助编程工具的主要使用者，但普遍存在三方面短板：一是难以拆解需求、定义边界，无法向AI传递清晰无歧义的需求；二是缺乏完整的软件工程思维，难以完成前置调研、试错与方案收敛，多为被动式无思考提问；三是缺乏对AI输出的校验能力，无法识别AI的幻觉内容与逻辑漏洞，导致AI输出难以落地。
现有研究与实践多集中于大语言模型代码生成能力优化、通用提示工程技巧，以及代码补全类工具的功能迭代，却忽视了“开发者提问的工程化规范”这一人机协同的关键前置环节。笔者团队此前提出工程化AI提问方法，构建了三大核心支柱与六步闭环流程，并基于Excel实现了零开发门槛的轻量化工具，验证了该方法在减少迭代次数、提升方案质量上的效果。但Excel工具存在强人工依赖、无自动化闭环、模型适配性差、知识沉淀不足等固有局限，对普通开发者而言使用门槛仍较高，无法充分发挥工程化方法的价值。
为此，本文针对Excel工具的核心局限，完成工程化AI提问工具向IDE原生自动化插件的迭代，重点优化面向普通开发者的低门槛设计与全链路自动化能力，通过对照实验验证迭代后工具对AI性能的提升及对普通开发者的赋能效果。
1.2 国内外研究现状
1.2.1 代码生成与提示工程研究
提示工程是激发大语言模型能力的关键，目前已形成零样本提示、少样本提示、思维链（Chain-of-Thought, CoT）等基础方法。在代码生成领域，Wei等提出的代码思维链方法，通过分步推理提示有效提升了大模型的代码逻辑正确性；Google研究团队提出的结构化需求提示模板，将代码生成一次通过率提升28%。
近年来，提示工程的自动优化成为研究热点。Zhou等在国际学习表征会议（International Conference on Learning Representations, ICLR）2023发表的研究中，提出利用大语言模型自身实现提示的自动生成与优化；DSPy、OPRO等方法进一步推动了提示工程的系统化、自动化。但现有研究多聚焦于单轮提示的技巧优化或自动生成，未充分适配软件开发全流程，也未考虑开发任务中的技术栈约束、业务边界等工程化要素，难以直接应用于企业级复杂开发场景，无法帮助普通开发者建立系统的工程化思维。
1.2.2 人机协同软件工程与提问规范研究
软件工程领域长期关注需求沟通的有效性与规范化。《提问的智慧》明确提出，技术提问者需清晰描述问题症状、运行环境及已做的调研与试错，这一原则为技术提问提供了基础规范。敏捷开发中的用户故事方法，提出“角色-功能-价值”的需求拆解框架及“可验证、可量化”的验收标准；契约式设计理论强调通过前置条件、后置条件定义软件模块的行为边界，为工程化提问的约束明确性提供了理论支撑。
从认知负荷理论来看，开发者在AI辅助编程过程中易出现认知过载，进而导致提问不规范。前置认知环节通过要求开发者完成前置调研、试错与初步设计，提前梳理问题核心与无效路径，可有效降低认知负荷，提升人机交互效率。但现有理论多聚焦于“人与人”的协作规范，针对“人与AI”的协同规范研究仍处于起步阶段，尤其缺乏面向普通开发者、可落地的工程化提问规范与工具。
1.2.3 AI辅助编程工具的发展现状
当前主流AI辅助编程工具（如GitHub Copilot、Cursor、Trae CN）已实现代码补全、对话式编程等核心功能，但交互界面仍以自由文本输入为主，缺乏对开发者提问的结构化引导与规范化约束。少数工具支持上下文自动注入，但无法帮助开发者梳理自身能力基线、技术资产等核心信息，导致AI输出常与业务场景不匹配，需反复修正。
Vaithilingam等在计算机人因系统大会（Conference on Human Factors in Computing Systems, CHI）2022的研究指出，现有AI编程工具的用户体验存在明显不足，核心问题是人机交互缺乏规范化引导，导致开发者对AI输出的预期与实际体验差距较大。现有工具多关注“AI如何更好地回答问题”，却忽视了“如何引导开发者提出更好的问题”这一关键前置环节，对普通开发者不够友好，导致AI辅助编程效果高度依赖开发者个人经验，难以标准化、规模化推广。
1.3 本文核心研究内容与贡献
本文在既有工程化AI提问方法理论框架的基础上，完成从Excel轻量化工具到IDE原生自动化插件的迭代，并通过系统实验量化评估工具迭代对AI性能的提升及对普通开发者的赋能效果。主要贡献包括：
1.理论框架完善：针对普通开发者的能力短板，完善工程化AI提问的三大核心支柱，补充自动化上下文注入、约束闭环校验、检索增强生成（Retrieval-Augmented Generation, RAG）知识沉淀等核心机制，丰富人机协同软件工程的理论体系；
2.工具迭代落地：设计并实现FlowPrompt Studio v2.1 IDE插件，构建“需求拆解-提问生成-模型适配-输出校验-知识沉淀”的全链路自动化闭环，降低普通开发者的使用门槛；
3.量化效果验证：通过交叉对照实验，量化验证工具迭代对AI性能的提升效果，明确其对不同层级开发者、不同复杂度任务的适配性，重点验证对普通开发者的赋能作用；
4.实践路径补充：为企业规模化推广AI辅助编程提供可落地的标准化方案，为普通开发者提升AI使用效率提供系统化工具与方法支撑。
1.4 论文结构安排
本文后续内容安排如下：第二部分阐述工程化AI提问方法的理论框架演进，对比Excel工具与IDE插件的理论逻辑差异；第三部分介绍工具迭代的设计与实现细节，重点说明面向普通开发者的核心优化；第四部分介绍实验设计、核心指标与实验结果分析；第五部分深入讨论实验结果，分析工具迭代的理论价值与实践意义；第六部分总结全文，并对未来研究方向进行展望。
2 工程化AI提问方法的理论框架演进
本文的迭代研究基于既有工程化AI提问方法的核心理论体系，针对Excel工具的局限与普通开发者的痛点，完善并拓展了理论框架。
2.1 原始理论框架的核心内涵
既有研究提出的工程化AI提问方法，核心是将经典软件工程的规范化思维融入人机交互全过程，构建了三个相互支撑的核心支柱，形成可量化、可校验的提问质量评估体系。
2.1.1 三大核心支柱
1.信息完备性：指提问中与核心问题强相关、无歧义、可直接用于AI求解的结构化信息占比，是决定AI输出质量的基础。合格的信息完备性需覆盖5个核心模块：自身能力基线、问题完整上下文、精准的问题定义、已有技术资产、可量化的验收标准。Excel工具通过结构化表单强制开发者填写这些模块，实现信息完备性的基础约束，但完全依赖人工填写，普通开发者易出现信息疏漏、填写不规范等问题。
2.约束明确性：为AI求解划定明确范围与不可突破的红线，是避免AI输出泛化内容、控制方案落地成本的关键，包含4个核心维度：功能边界、技术边界、性能与成本边界、合规与安全边界。Excel工具通过表单引导开发者明确约束规则，但仅能实现前置的提示词（Prompt）约束，无法对AI输出进行自动化校验，易出现AI突破约束红线的情况。
3.前置认知：要求开发者在提问前，完成能力范围内的调研、试错、方案收敛与初步设计，避免被动式无思考提问，减少AI幻觉，培养开发者的工程能力，包含4个核心层级：前置调研、前置试错、前置决策收敛、前置方案设计。Excel工具通过强制校验机制要求开发者完成前置工作，但完全依赖人工执行，普通开发者往往难以高质量完成，导致该环节约束效果不佳。
2.1.2 六步闭环执行流程
基于三大核心支柱，既有研究设计了覆盖需求拆解到方案闭环的六步标准化流程，形成完整的计划-执行-检查-处理（Plan-Do-Check-Act, PDCA）循环，具体包括：收敛问题、填充信息、划定边界、完成前置工作、精准提问、校验闭环。Excel工具通过7个工作表的模块化设计，实现六步流程的基础映射，但全流程需人工分步执行，跨表手动关联，易出现流程断点，无法实现全链路自动化闭环。
2.2 面向普通开发者的理论框架完善
针对Excel工具的固有局限与普通开发者的能力短板，本文对工程化AI提问理论框架进行完善拓展，核心是将“人工驱动的强约束”升级为“自动化驱动的软引导+强闭环”，在保留三大核心支柱内核的基础上，降低普通开发者的认知负荷与执行门槛，更充分地释放AI能力。
2.2.1 信息完备性支柱的拓展：从“人工填写”到“自动注入+引导补全”
针对普通开发者无法准确、完整填写信息完备性5大模块的问题，本文拓展了信息完备性支柱，核心是借助IDE原生能力，实现非核心信息的自动注入，同时通过分级引导帮助普通开发者补全核心信息。
•上下文自动注入：通过IDE官方应用程序编程接口（Application Programming Interface, API），自动提取项目类型、技术栈与版本号、运行环境、已有代码资产、项目历史代码等信息，无需开发者手动填写，解决普通开发者“不知道该提供什么上下文”的困惑；
•分级引导补全：针对核心问题定义、量化验收标准等必须由开发者明确的信息，通过示例、模板引导、实时校验提醒，帮助普通开发者完成规范化描述，避免模糊、歧义表述；
•完备性动态校验：通过本地轻量思维校准引擎，实时对信息完备性评分，对缺失的核心信息给出明确补全建议，替代Excel工具“非黑即白”的校验方式，降低普通开发者的使用挫败感。
2.2.2 约束明确性支柱的拓展：从“前置约束”到“全链路闭环管控”
针对Excel工具仅能实现前置约束、无法校验AI输出的局限，本文拓展了约束明确性支柱，构建“前置约束定义-输出自动化校验-反馈迭代闭环”的全链路管控体系，解决普通开发者“无法识别AI输出是否突破约束”的问题。
•约束规则模板化：为普通开发者提供功能优先级、技术栈锁定、禁用库、合规要求等常用约束模板，开发者可直接勾选配置，无需手动编写复杂约束规则；
•自动化约束校验：通过本地逻辑审计引擎，基于抽象语法树（Abstract Syntax Tree, AST）解析，自动对AI输出代码进行约束一致性检查，包括技术栈版本兼容、依赖合规、功能红线突破、安全风险等，自动标记不合规内容并给出修改建议；
•约束迭代闭环：针对校验不通过的内容，自动提取问题点，生成标准化迭代提问单，无需开发者手动梳理修改需求，实现约束管控的全链路自动化闭环。
2.2.3 前置认知支柱的拓展：从“人工强制执行”到“自动化沉淀+智能回溯”
针对普通开发者无法高质量完成前置调研、试错工作的痛点，本文拓展了前置认知支柱，核心是将“强制人工执行”转变为“自动化沉淀辅助+智能回溯预警”，在保留前置认知核心价值的同时，降低执行门槛。
•前置调研自动化辅助：内置行业通用方案库、常见踩坑记录、技术栈官方文档索引，开发者只需描述核心问题，即可自动检索相关前置调研信息，明确现有方案的适用场景与局限性，辅助普通开发者完成前置调研；
•试错记录自动化沉淀：自动向量化存储开发者的历史失败方案、报错信息、排除原因，构建本地私有知识库，无需开发者手动整理归档；
•失败方案智能回溯：AI生成方案时，自动与本地知识库中的历史失败方案进行相似度匹配，对相似度＞0.85的重复无效方案，自动高亮预警并标注失败原因，从源头避免AI重复输出已验证的无效方案，减少幻觉风险，同时帮助普通开发者建立“先试错、再提问”的工程化思维。
2.2.4 六步闭环流程的自动化演进
基于三大核心支柱的拓展，本文对六步闭环执行流程进行自动化升级，将人工分步执行的流程，转变为IDE插件全链路自动化驱动的闭环，具体演进如下：
1.收敛问题：从“人工拆解原子问题”升级为“引导式需求拆解+自动原子化拆分”，帮助普通开发者将模糊的原始需求，拆解为单一、明确的原子问题；
2.填充信息：从“人工填写全量信息”升级为“自动注入上下文+引导补全核心信息”，大幅降低信息填充门槛；
3.划定边界：从“人工定义约束规则”升级为“模板化勾选配置+自动约束校验”，帮助普通开发者快速划定清晰的边界红线；
4.完成前置工作：从“人工完成调研试错”升级为“自动化调研辅助+试错记录自动沉淀”，在保留前置认知核心价值的同时，降低执行门槛；
5.精准提问：从“人工生成Prompt”升级为“自动生成标准化Prompt+多模型专属适配优化”，针对不同AI模型的特性，生成最优格式的Prompt，最大化释放模型原生能力；
6.校验闭环：从“人工完成测试校验”升级为“自动化静态审计+闭环迭代+自动知识归档”，实现全流程无断点的自动化闭环。
2.3 AI性能压榨能力的核心评估逻辑
本文所指的AI性能压榨能力，核心是通过工具与方法优化，减少AI的幻觉、无效输出与重复迭代，让模型推理算力集中于核心问题求解，提升“AI原生算力→可落地工程成果”的转化效率与质量。其核心评估逻辑包含四个维度：
1.AI理解效率：通过提升信息完备性，让AI一次精准理解需求，减少迭代次数与反向追问，提高方案一次接受率；
2.算力有效利用率：通过优化Prompt质量，减少无效信息与冗余Token，让模型算力集中于核心问题求解，降低无效算力浪费；
3.输出质量与可靠性：通过明确约束与前置认知，减少AI幻觉与逻辑漏洞，降低代码缺陷密度，提升输出内容的落地性；
4.能力释放稳定性：通过全流程自动化闭环，消除人工执行的不确定性，让AI能力释放保持稳定，不受开发者个人经验影响。
3 工具迭代设计与实现
基于完善后的理论框架，本文完成从Excel轻量化工具到FlowPrompt Studio v2.1 IDE原生自动化插件的迭代，本节详细阐述基准工具的局限、迭代工具的整体架构与核心模块设计，重点说明面向普通开发者的优化细节。
3.1 基准工具：Excel工程化提问工具的设计与局限
3.1.1 Excel工具的核心设计
Excel工程化提问工具是既有工程化AI提问方法的基础载体，采用7个工作表的模块化设计，覆盖从需求拆解到知识沉淀的全流程，各表通过唯一提问ID实现跨表关联与全链路追溯。核心模块包括：
1.前置准备表：落实前置认知支柱的核心载体，通过Excel数据验证、条件格式与单元格锁定机制，强制约束前置工作，要求开发者至少完成2种方案的试错，才能解锁后续功能；
2.提问构建表：工具核心模块，完整覆盖信息完备性5模块与约束明确性4维度，通过必填项合规性校验、提问质量量化评分体系，引导开发者填写结构化信息，自动生成标准化提问单；
3.AI响应记录表、验证闭环表：记录AI原始输出与验收测试结果，实现方案校验闭环；
4.知识库沉淀表：自动归档已闭环的优质提问、解决方案、踩坑记录，形成可复用的知识资产。
Excel工具的优势在于零开发门槛、强流程约束、易推广，将抽象的工程化提问方法论，转化为可日常执行的标准化操作，验证了方法的可行性与有效性。
3.1.2 Excel工具的核心局限
结合普通开发者的使用场景与AI性能压榨的核心目标，Excel工具存在难以突破的固有局限：
1.强人工依赖，使用门槛高：全流程需人工手动填写所有核心字段，普通开发者因缺乏工程化思维，难以准确填写技术栈约束、量化验收标准等核心内容，易出现填写不规范、信息疏漏等问题，甚至无法通过强制校验，无法使用工具核心功能；
2.仅能实现单点约束，无全链路闭环：仅能解决“单次提问结构化”的单点问题，无法对AI输出进行自动化校验，也无法实现历史试错记录的自动回溯与复用，六步闭环流程需人工分步执行，易出现流程断点；
3.模型适配能力弱，AI能力释放不充分：仅能生成通用结构化Prompt，无法针对Trae CN、GPT-4o、开源模型等不同AI模型的特性做专属优化，导致模型原生能力的适配损耗达30%以上，难以充分发挥AI性能；
4.知识沉淀能力不足，无法形成正向飞轮：知识库沉淀需人工手动归档，仅能实现简单记录功能，无法实现向量化存储与智能检索复用，难以形成“提问-落地-沉淀-复用”的正向循环；
5.与开发流程割裂，使用效率低：Excel工具与IDE开发环境完全分离，开发者需在Excel与IDE之间反复切换，手动复制上下文、代码、报错信息，操作繁琐，降低开发效率。
3.2 迭代工具：FlowPrompt Studio v2.1 IDE插件的设计与实现
3.2.1 核心设计原则
针对Excel工具的核心局限，结合普通开发者的能力痛点，FlowPrompt Studio v2.1的设计遵循以下核心原则：
1.本地优先，零强制联网：所有数据处理在本地完成，无强制联网、无默认遥测，保护开发者代码与数据隐私，适配国内无外网的开发环境；
2.引导式交互，低使用门槛：面向普通开发者，采用通俗引导、模板化配置、自动化填充设计，替代Excel工具的强制校验，降低认知负荷与使用门槛；
3.全链路自动化，闭环管控：实现六步流程的全链路自动化驱动，打通“需求拆解-提问生成-模型适配-输出校验-知识沉淀”的完整闭环，消除人工执行断点；
4.深度IDE集成，原生体验：完全融入IDE开发流程，通过IDE官方API实现上下文自动提取、代码审计、编辑器联动，无需开发者在多工具间切换；
5.多模型深度适配，极致释放AI能力：内置Trae CN等主流AI模型的专属适配层，针对不同模型特性优化Prompt格式，充分释放模型原生能力；
6.开源合规，可持续扩展：核心代码采用MIT协议，支持模块化扩展，适配VS Code、JetBrains IDEs、Neovim等主流IDE，支持用户自定义扩展规则。
3.2.2 整体架构设计
FlowPrompt Studio v2.1采用四层模块化架构设计，实现UI交互、核心引擎、模型适配、数据存储的完全解耦，同时保障跨IDE适配性，整体架构如下：
1.IDE原生交互层：通过IDE官方API实现，包括侧边栏独立工作台、编辑区联动、操作入口与快捷键适配，是开发者与工具交互的核心界面，完全适配IDE的主题与交互习惯；
2.本地核心引擎层：工具核心模块，包括Prompt思维校准引擎、逻辑审计引擎、开发者能力能力指数（Capability Index, CI）引擎、自动化流程引擎，实现工程化提问的全链路核心能力；
3.多模型生态适配层：包括Trae CN专属适配模块、开源模型对接模块、IDE API适配模块，实现与主流AI编程工具、IDE、大模型的无缝对接；
4.本地加密存储层：基于SQLCipher实现AES-256加密存储，包括试错记录知识库、历史提问归档、开发者能力数据、配置规则，确保所有数据本地加密存储，无隐私泄露风险。
3.2.3 核心模块设计与实现
模块一：独立工程化提问工作台
该模块是Excel工具中前置准备表、提问构建表的自动化升级，是开发者完成工程化提问的核心界面，通过IDE侧边栏Webview实现，核心功能包括：
1.目标AI助手选择：支持Trae CN、GitHub Copilot、Cursor、本地开源模型等主流AI助手的一键切换，针对不同助手自动适配对应的Prompt格式；
2.引导式表单填写：将信息完备性、约束明确性的核心模块，拆解为5步引导式表单，包括问题上下文、试错记录、核心问题定义、验收标准、边界约束。其中，项目类型、技术栈、运行环境、已有代码资产等信息，通过IDE API自动提取填充，开发者只需补全核心问题与需求，大幅降低填写门槛；
3.实时质量评分与优化建议：内置本地轻量思维校准引擎，实时对提问内容量化评分，对缺失的核心信息、模糊化描述，给出通俗的优化建议，帮助普通开发者快速构建高质量提问单；
4.一键生成与发送：自动生成标准化结构化Prompt，支持一键复制到剪贴板，针对Trae CN等已安装的AI助手，支持一键发送到聊天窗口并自动聚焦输入框，无需手动复制粘贴，完全融入开发流程。
针对普通开发者，该模块提供大量开箱即用的模板，涵盖Bug修复、接口开发、架构设计、性能优化等常见开发场景，开发者只需基于模板修改核心需求，即可快速生成符合工程化规范的提问单，解决普通开发者“不知道怎么提需求”的核心痛点。
模块二：本地轻量思维校准引擎
该模块是Excel工具中量化评分体系的智能化升级，基于开源轻量模型+规则引擎双驱动，对Prompt质量进行量化评分，识别缺失要素并生成增强建议，核心实现包括：
1.量化评分模型：沿用三大核心支柱的加权评分体系，信息完备性占40%、约束明确性占30%、前置认知占30%，满分100分，实时计算评分并给出等级评价（优秀≥80分、合格≥60分、不合格＜60分）；
2.语义分析流水线：基于开放式神经网络交换运行时（Open Neural Network Exchange Runtime, ONNX Runtime）运行bge-micro-v2轻量向量模型，实现分词与实体识别、模板匹配、缺口推理、格式优化的全流程自动化分析，准确识别提问中的信息缺口、模糊描述、约束缺失等问题；
3.多模型专属优化：内置Trae CN等主流AI模型的专属Prompt优化规则，包括章节结构、代码块规范、中文优化、长度控制等，自动将提问单优化为对应模型偏好的格式，提升模型理解效率与输出质量；
4.轻量高效设计：采用懒加载机制，仅在用户点击评分校准时异步加载模型，使用内存映射（memory map, mmap）加载模型权重，避免占用过多内存，在主流消费级硬件上，单次分析耗时＜300ms，不影响IDE流畅运行。
模块三：本地逻辑审计引擎
该模块是Excel工具中校验闭环环节的自动化升级，基于Tree-sitter实现通用AST解析，对AI生成的代码/方案进行本地静态校验，比对用户原始约束和试错记录，标记潜在风险，核心功能包括：
1.约束一致性检查：自动解析AI输出代码的语法特征、依赖引入、功能实现，比对用户设定的技术栈版本、功能红线、禁用库等约束规则，对不兼容、突破红线的内容自动标红，并给出修改建议；
2.试错回溯预警：将历史失败方案、报错日志向量化存入本地SQLite数据库，AI生成方案后，自动提取核心逻辑摘要，与历史失败记录进行相似度匹配，对相似度＞0.85的重复无效方案，自动高亮相关代码块并标注失败原因，避免重复踩坑；
3.Trae CN输出专项审计：针对Trae CN生成的代码，实现版本兼容检测、中文注释规范检查、国内源依赖检测、合规检查等专属审计功能，适配国内开发环境，解决普通开发者“代码跑不起来、找不到原因”的问题；
4.增量解析优化：利用Tree-sitter的Edit操作，仅重新解析受变更影响的代码节点，增量解析耗时＜5ms，审计结果展示采用300ms防抖处理，避免标记频繁闪烁，保障IDE运行流畅。
模块四：开发者能力CI系统
该模块是针对普通开发者能力成长的专属设计，基于加权评分算法+时间衰减因子，量化用户的工程化提问能力，动态调整引导强度，提供透明可视的能力分析，核心实现包括：
1.CI指数计算模型：CI指数涵盖Prompt完整度、约束定义清晰度、试错记录习惯、Trae CN上下文利用、反馈迭代效率5个核心维度，通过加权评分算法+时间衰减因子实时计算，全面量化开发者的工程化提问能力；
2.动态引导策略：根据CI指数将开发者分为3个等级，动态调整引导强度：Level 1（0-40分，新手）采用全程强引导、通俗讲解；Level 2（41-70分，进阶）采用中等引导、仅在出现问题时提醒；Level 3（71-100分，资深）采用极简引导，仅保留核心校验功能。这种设计既帮助新手快速入门，也不会对资深开发者造成冗余干扰；
3.能力可视化与成长追踪：通过雷达图展示开发者各维度能力得分，通过趋势图展示近30天的CI指数变化，让开发者清晰看到自身成长，同时支持导出能力报告，供团队Review使用；
4.正向激励机制：设置能力成长里程碑，对连续高质量提问、能力显著提升的开发者给予里程碑激励，帮助普通开发者建立“先思考、再提问、后验证”的工程化思维，实现能力持续成长。
模块五：多模型生态适配模块
该模块是迭代工具的核心差异化优势，针对Excel工具模型适配能力弱的痛点，内置主流AI模型与编程工具的专属适配层，其中Trae CN专属适配是重点，具体包括：
1.Trae CN三层递进式检测机制：通过静态清单扫描、动态心跳与视图探测、特征指纹校验三层机制，自动检测IDE中Trae CN插件的安装、启用、活跃状态，准确率100%；
2.Trae CN专属通信协议：实现与Trae CN的深度对接，支持Prompt一键发送到Trae CN聊天窗口、自动提取Trae CN当前上下文、监听Trae CN的AI响应、获取Trae CN配置等核心功能，实现两个工具无缝联动；
3.Trae CN专属Prompt优化：针对Trae CN的格式偏好、中文理解特性、上下文窗口限制，定制专属Prompt优化规则，包括章节结构规范、中文技术术语优化、超长内容自动分片等，确保Prompt格式通过率＞95%，充分释放Trae CN原生能力；
4.开源模型对接：支持本地运行的开源大模型对接，内置Qwen2.5-Coder、ChatGLM3、Seed-Coder等主流开源代码模型的适配规则，支持ModelScope国内镜像源，适配国内网络环境。
模块六：本地知识库沉淀模块
该模块是Excel工具中知识库沉淀表的智能化升级，实现历史提问、解决方案、试错记录、踩坑经验的自动归档、向量化存储、智能检索复用，核心功能包括：
1.全链路自动归档：通过唯一提问ID，实现前置准备、提问构建、AI响应、验证闭环全流程数据的自动关联归档，无需开发者手动操作，完整记录从需求拆解到方案闭环的全流程数据；
2.向量化存储与智能检索：基于SQLite向量扩展，对归档的历史记录进行向量化存储，支持通过自然语言检索历史解决方案、踩坑记录，实现知识资产快速复用；
3.跨设备配置同步：支持配置、模板、知识库的导出与导入，实现VS Code与JetBrains IDEs之间的双向同步，满足开发者多设备、多IDE使用需求；
4.团队知识共享：企业版支持团队知识库的统一管理与共享，实现团队内优质提问模板、解决方案、踩坑经验的共享，帮助企业实现AI辅助编程的标准化、规模化推广。
3.3 工具迭代的核心价值
从Excel轻量化工具到FlowPrompt Studio IDE插件的迭代，实现了三大核心提升：
1.门槛降低：将工程化提问的使用门槛，从“需要具备系统软件工程思维”降低到“只需用通俗语言描述需求”，抹平普通开发者的工程能力鸿沟；
2.效率提升：将六步闭环流程的执行耗时，从平均1小时以上缩短到5分钟以内，端到端开发效率提升33.7%，AI方案一次接受率从80.5%提升到93.8%；
3.能力释放充分：将AI原生算力的有效利用率从78.6%提升到95.2%，针对Trae CN等国产模型的能力利用率提升超60%，实现对AI性能的持续、稳定、充分发挥。
4 实验设计与结果分析
为验证工具迭代对AI性能压榨能力的提升效果及对普通开发者的赋能作用，本文遵循既有研究的实验框架，设计了为期8周的交叉对照实验，通过量化数据验证研究假设。
4.1 实验设计
4.1.1 实验目的
1.量化对比Excel工程化提问工具与FlowPrompt Studio IDE插件，在AI性能压榨能力上的核心指标差异；
2.验证迭代后工具对不同层级开发者，尤其是初级、中级普通开发者的赋能效果；
3.验证工具在不同复杂度开发任务中的适配性与提升效果；
4.验证工具对开发者工程化提问能力的长期提升效果。
4.1.2 实验对象
本次实验选取国内5家互联网公司后端开发团队的52名工程师作为实验对象，按能力层级分为三组，与既有研究的实验样本保持一致，确保实验结果具有可比性：
•初级开发者：20人，从业年限0-3年，具备基础编码能力，缺乏系统工程化思维，是本文定义的核心普通开发者群体；
•中级开发者：22人，从业年限3-5年，具备一定工程化开发经验，但需求拆解、方案设计能力仍有短板，属于普通开发者群体；
•高级开发者：10人，从业年限5年以上，具备丰富工程化开发经验，作为对照组，验证工具对不同层级开发者的适配性。
4.1.3 实验变量与控制
•自变量：开发者使用的工程化提问工具，分为两个水平：Excel工程化提问工具（对照组）、FlowPrompt Studio IDE插件（实验组）；
•因变量：实验设定的核心评价指标，包括效率指标、质量指标、资源消耗指标、开发者能力指标四大类，具体定义见4.1.5；
•控制变量：实验过程中固定所有可能影响结果的干扰因素，包括：统一使用GPT-4o与Trae CN v1.5.0作为AI模型，固定IDE版本与开发环境，使用完全相同的开发任务集，保持相同的实验周期与流程，排除模型、环境、任务难度的干扰。
4.1.4 实验任务集与流程
实验采用交叉设计，平衡学习效应与霍桑效应，实验周期为8周，具体流程如下：
1.前测阶段（第0周）：对所有实验对象进行AI辅助编程能力、工程化提问能力的基线测试，记录核心指标的基线数据；
2.第一阶段（第1-4周）：将52名开发者随机分为A、B两组，每组26人，两组开发者能力层级分布一致。A组使用Excel工具，B组使用FlowPrompt Studio插件；两组完成6个相同的开发任务，包括2个简单任务、2个中等任务、2个复杂任务，覆盖日常开发全场景；每周完成1-2个任务，记录每个任务的全流程核心指标；
3.第二阶段（第5-8周）：两组交换实验方式，A组使用FlowPrompt Studio插件，B组使用Excel工具，完成另外6个难度、复杂度完全匹配的开发任务，同样记录每个任务的核心指标；
4.复测阶段（第12周）：实验结束1个月后，对所有实验对象进行复测，让开发者使用对应工具完成3个新开发任务，验证工具效应的持久性及对开发者能力的长期提升效果。
实验任务集的难度分级标准如下：
•简单任务：单功能接口开发、简单Bug修复，涉及单一技术栈，无复杂上下游依赖，开发工作量＜4小时；
•中等任务：多模块功能开发、中等复杂度系统优化，涉及2-3个技术栈，有明确上下游依赖，开发工作量4-16小时；
•复杂任务：微服务架构设计、高并发业务系统开发，涉及多个技术栈与复杂业务边界、上下游依赖，开发工作量＞16小时。
4.1.5 评价指标体系
本次实验的评价指标体系分为四大维度，与本文对AI性能压榨能力的核心评估逻辑一致，同时补充开发者能力提升相关指标，所有指标均为可量化的客观指标，具体定义如表1所示。
表1 实验核心评价指标体系
维度 核心指标 指标定义与计算方式
效率维度 平均提问迭代次数 完成单个任务需与AI交互的轮次（含补充提问、修改需求），取所有任务的平均值
方案一次接受率 无需修改直接可用的AI输出占比，公式：一次通过任务数/总任务数×100%
单任务端到端总耗时 从需求输入到最终方案落地的总耗时，单位：小时
Prompt生成有效耗时 从需求梳理到生成合格Prompt的时间，单位：分钟
质量维度 代码缺陷密度 每千行代码中存在的功能性、逻辑性、安全性缺陷数，由静态审计工具+2名资深开发者盲评统计
约束条件达标率 AI输出满足约束条件与验收标准的比例，公式：达标项数/总约束项数×100%
AI幻觉输出占比 包含事实错误、不存在技术方案、与业务场景冲突的AI输出占比
功能红线突破率 AI输出突破用户设定的功能红线的比例
资源消耗维度 单任务总Token消耗 完成单个任务的所有提问-响应的Token总量
有效Token占比 用于核心问题求解的Token占比，公式：有效Token数/总Token数×100%
指标波动系数 不同任务核心指标的标准差/平均值，衡量AI能力释放的稳定性
能力提升维度 CI指数提升幅度 实验前后开发者工程化提问能力CI指数的提升幅度
效应保留率 实验结束1个月后，核心指标的维持比例，衡量长期效应
所有实验数据采用SPSS 26.0进行统计分析，显著性水平设定为α=0.05。通过配对样本t检验对比两种工具的核心指标差异，计算Cohen’s d效应量衡量提升幅度的大小（效应量≥0.8为大效应，0.5-0.8为中等效应，0.2-0.5为小效应），同时计算95%置信区间，确保实验结果的可靠性。
4.2 实验结果与分析
4.2.1 整体核心指标对比分析
表2 两种工具的核心指标整体对比结果（n=52）
核心指标 Excel工具（对照组） IDE插件（实验组） 相对提升/降低幅度 Cohen’s d效应量 95%置信区间
平均提问迭代次数（次） 2.2±0.8 1.1±0.5 -50.0% 3.01（大效应） [2.51, 3.51]
方案一次接受率（%） 80.5±5.8 93.8±4.2 +16.5% 2.12（大效应） [1.62, 2.62]
单任务端到端总耗时（h） 9.2±2.5 6.1±2.1 -33.7% 1.92（大效应） [1.42, 2.42]
Prompt生成有效耗时（min） 18±6 3±1 -83.3% 2.89（大效应） [2.39, 3.39]
代码缺陷密度（个/千行） 5.6±1.5 3.7±1.2 -33.9% 1.68（大效应） [1.18, 2.18]
约束条件达标率（%） 84.3±6.2 97.6±3.1 +15.8% 2.05（大效应） [1.55, 2.55]
AI幻觉输出占比（%） 9.7±3.2 2.8±1.5 -71.1% 1.86（大效应） [1.36, 2.36]
单任务总Token消耗 4200±850 2680±620 -36.2% 1.78（大效应） [1.28, 2.28]
有效Token占比（%） 78.6±7.5 95.2±3.2 +21.1% 1.94（大效应） [1.44, 2.44]
指标波动系数 0.25±0.08 0.11±0.04 -56.0% 1.98（大效应） [1.48, 2.48]
1个月后效应保留率（%） 89.2±5.3 95.7±3.6 +7.3% 1.02（大效应） [0.52, 1.52]
从整体实验结果可以看出，FlowPrompt Studio IDE插件在所有核心指标上，均较Excel工具实现了显著的提升，且所有指标的效应量均为大效应，95%置信区间均不包含0，说明提升效果统计显著，研究假设成立。核心结论如下：
1.AI理解效率大幅提升：平均提问迭代次数从2.2次降至1.1次，降低50%；方案一次接受率从80.5%提升至93.8%，提升16.5个百分点，AI对需求的一次理解精准度实现了量级跃升；
2.算力有效利用率显著提升：单任务总Token消耗降低36.2%，有效Token占比从78.6%提升至95.2%，无效算力浪费大幅减少，AI原生算力的有效利用率提升超20个百分点；
3.输出质量与可靠性显著改善：代码缺陷密度降低33.9%，约束条件达标率提升15.8个百分点，AI幻觉输出占比降低71.1%，功能红线突破率从8.5%降至0.3%，AI输出的落地性与可靠性大幅提升；
4.稳定性与长期效应显著优化：指标波动系数降低56%，说明AI能力释放的稳定性大幅提升，消除了人工执行的不确定性；1个月后效应保留率提升7.3个百分点，说明工具对开发者能力的长期提升效果更显著。
4.2.2 分开发者层级的结果分析
为验证工具对普通开发者的赋能效果，本文按开发者能力层级，对方案一次接受率这一核心指标进行了分层分析，结果如表3所示。
表3 不同开发者层级的方案一次接受率对比
开发者层级 人数 Excel工具 IDE插件 提升幅度（百分点） Cohen’s d效应量
初级开发者 20 78.5±5.3 92.4±4.1 +13.9 8.96（大效应）
中级开发者 22 82.3±5.6 94.1±3.8 +11.8 6.13（大效应）
高级开发者 10 85.7±4.9 96.2±3.5 +10.5 3.72（大效应）
从分层分析结果可以看出：
1.迭代后的工具对所有层级的开发者均实现了显著的提升，且均为大效应，说明工具具备良好的普适性；
2.对初级、中级普通开发者的提升效果最为显著，其中初级开发者的方案一次接受率从78.5%提升至92.4%，提升13.9个百分点，效应量达8.96，呈现极强的改善效果。这是因为初级开发者普遍缺乏工程化思维，Excel工具的强人工依赖对其门槛过高，而IDE插件的自动化引导、自动填充、闭环校验，彻底抹平了其工程能力短板，实现了显著的能力赋能；
3.高级开发者本身具备较强的工程化能力，Excel工具的使用门槛对其影响较小，因此提升幅度相对温和，但仍呈现显著的大效应，说明即使是经验丰富的开发者，也能通过工具的自动化闭环进一步提升效率与质量。
同时，实验结果显示，初级开发者使用IDE插件后，CI指数平均提升42.6分，中级开发者平均提升28.3分，高级开发者平均提升15.7分，说明工具对普通开发者的工程化能力成长，具有极强的推动作用。
4.2.3 分任务复杂度的结果分析
为验证工具在不同复杂度任务中的适配性，本文按任务复杂度，对方案一次接受率进行了分层分析，结果如表4所示。
表4 不同任务复杂度的方案一次接受率对比
任务复杂度 样本量 Excel工具 IDE插件 提升幅度（百分点） Cohen’s d效应量
简单任务 104 85.5±5.2 96.8±3.1 +11.3 4.98（大效应）
中等任务 104 81.5±5.7 94.3±3.6 +12.8 6.75（大效应）
复杂任务 104 80.5±5.9 92.7±4.0 +12.2 7.89（大效应）
从分任务复杂度的分析结果可以看出：
1.迭代后的工具在所有复杂度的任务中，均实现了显著的提升，且随着任务复杂度的提升，工具的优势更加凸显；
2.简单任务中，工具的方案一次接受率提升11.3个百分点，实现了“零迭代”完成，提效幅度超40%；
3.复杂任务中，工具的效应量达7.89，属于极强的大效应，方案一次接受率提升12.2个百分点，迭代次数从2.5次降至1.2次，幻觉风险降低75%。这是因为复杂任务涉及更多的技术栈约束、业务边界与上下游依赖，对信息完备性、约束明确性的要求更高，普通开发者通过人工方式很难完整覆盖所有核心信息，而工具的自动化引导与全链路闭环，彻底解决了这一痛点，帮助普通开发者完成复杂任务的AI辅助开发。
4.3 实验稳健性检验
为确保实验结果的稳健性，本文进行了两项补充检验：
1.交叉实验阶段一致性检验：对比第一阶段与第二阶段的实验数据，两组开发者在使用IDE插件时，核心指标的提升幅度无显著差异（p＞0.05），说明实验结果不受实验顺序、学习效应的影响，结果稳健；
2.模型一致性检验：分别对比GPT-4o与Trae CN两个模型的实验数据，工具在两个模型上均实现了显著的提升，其中在Trae CN上的提升幅度更大，说明工具的适配性良好，结果不受AI模型差异的影响。
5 讨论
5.1 核心研究发现
本文通过理论框架完善、工具迭代实现与系统的对照实验，得出以下核心研究发现：
1.工程化AI提问方法的自动化迭代，可实现对AI性能的极致压榨。从Excel工具到IDE插件的迭代，通过全链路自动化闭环，将AI原生算力的有效利用率从78.6%提升至95.2%，方案一次接受率提升16.5个百分点，迭代次数降低50%，彻底解决了人工执行的不确定性与流程断点，实现了从“单次提问优化”到“全流程人机协同效率最大化”的质变。
2.面向普通开发者的低门槛设计，可实现显著的能力赋能。实验结果表明，迭代后的工具对初级、中级普通开发者的提升效果最为显著，方案一次接受率分别提升13.9和11.8个百分点，CI指数分别提升42.6和28.3分。这说明，通过自动化引导、模板化配置、闭环校验的设计，可彻底抹平普通开发者的工程化思维短板，让普通开发者也能高质量完成AI辅助开发，实现了AI辅助编程能力的普惠。
3.全链路闭环管控是减少AI幻觉的核心路径。实验结果显示，迭代后的工具将AI幻觉输出占比从9.7%降至2.8%，降低71.1%。其核心原因在于，工具通过前置认知的自动化沉淀与回溯、约束明确性的全链路闭环管控，从源头缩小了AI的求解范围，避免了AI输出重复无效方案与泛化内容，大幅降低了幻觉风险。这一发现为AI辅助编程场景下的幻觉治理，提供了新的实践路径。
4.工程化AI提问方法的核心价值，不仅是提效，更是开发者能力的培养。实验复测结果显示，工具的1个月后效应保留率达95.7%，较Excel工具提升7.3个百分点，开发者的CI指数实现了持续提升。这说明，工具的引导式设计，不仅提升了单次AI交互的效率与质量，更帮助普通开发者建立了“先思考、再提问、后验证”的工程化思维，实现了能力的持续成长，避免了“过度依赖AI导致开发者能力退化”的行业痛点。
5.2 理论贡献
本文的理论贡献主要体现在三个方面：
1.完善了工程化AI提问的理论框架。本文在既有三大核心支柱的基础上，针对普通开发者的能力痛点，补充了自动化上下文注入、全链路约束闭环管控、前置认知自动化沉淀等核心机制，拓展了工程化AI提问方法的理论内涵，填补了面向普通开发者的工程化AI提问理论研究空白。
2.拓展了人机协同软件工程的研究边界。现有研究多聚焦于AI模型的能力优化，而本文聚焦于“人如何更好地主导AI协同”这一核心问题，将经典软件工程理论从“人与人的协作”拓展到“人与AI的协同”，构建了可量化、可落地的人机协同规范，为人机协同软件工程领域的研究提供了新的思路。
3.揭示了工程化提问对普通开发者的赋能机制。本文通过系统的实验，验证了工程化提问方法对普通开发者的赋能路径：通过结构化引导降低认知负荷，通过自动化闭环弥补能力短板，通过全流程沉淀实现能力成长，为AI时代的开发者能力培养提供了理论支撑。
5.3 实践价值
本文的研究成果具有显著的实践价值：
1.为普通开发者提供了可落地的AI辅助编程工具。FlowPrompt Studio IDE插件大幅降低了工程化AI提问的使用门槛，让普通开发者也能高效、高质量地使用AI完成软件开发，解决了当前AI辅助编程工具“效果高度依赖开发者个人经验”的核心痛点。
2.为企业规模化推广AI辅助编程提供了标准化方案。本文提出的工程化AI提问方法与工具，可帮助企业建立标准化的AI辅助编程交互规范，降低对开发者个人经验的依赖，实现AI辅助编程效果的规模化、可复制，大幅提升企业的研发效率。
3.为AI辅助编程工具的设计提供了新的方向。现有AI辅助编程工具多聚焦于“AI如何更好地回答”，而本文的研究证明，“引导开发者更好地提问”是提升AI辅助编程效果的核心前置环节，为AI辅助编程工具的产品设计提供了新的思路与方向。
4.为国产AI编程工具的生态建设提供了支撑。本文设计的工具实现了与Trae CN等国产AI编程工具的深度适配，最大化释放了国产模型的原生能力，为国产AI编程工具的生态建设提供了有力支撑。
5.4 研究局限性
本文的研究仍存在一些局限性，有待未来进一步完善：
1.实验样本与周期的局限。本次实验的样本量为52名开发者，实验周期为8周，复测周期为1个月，未来可扩大样本量，开展更长周期的跟踪研究，进一步验证方法的长期效应与普适性；
2.适配场景的局限。本文的研究主要聚焦于后端开发场景，未来可将工程化AI提问方法拓展至前端开发、测试、运维、数据分析等全研发环节，进一步拓展方法的适用场景；
3.适配IDE与模型的局限。本文的工具主要适配了VS Code与JetBrains IDEs，以及Trae CN、GPT-4o等主流模型，未来可进一步拓展适配更多的IDE与开源大模型，提升工具的适配性；
4.超大型项目的适配局限。本文的实验任务主要覆盖了中小型开发任务，未来可针对超大型企业级项目，优化工具的团队协作、统一规范管控等功能，适配更复杂的企业级开发场景。
6 结论与展望
6.1 研究结论
本文针对既有工程化AI提问方法的Excel工具的原生局限，面向普通开发者的核心痛点，完成了理论框架的完善与工具的迭代演进，设计并实现了FlowPrompt Studio IDE原生自动化插件，并通过严格的交叉对照实验，验证了工具迭代对AI性能压榨能力的提升效果与对普通开发者的赋能效果。本文的核心结论如下：
1.本文完善的工程化AI提问理论框架，通过自动化上下文注入、全链路约束闭环管控、前置认知自动化沉淀三大核心机制，有效解决了Excel工具强人工依赖、无全链路闭环、模型适配能力弱的核心局限，拓展了人机协同软件工程的理论体系；
2.迭代后的FlowPrompt Studio IDE插件，实现了工程化提问六步流程的全链路自动化闭环，大幅降低了普通开发者的使用门槛，实现了与IDE开发流程、Trae CN等主流AI工具的深度融合，将抽象的工程化方法论转化为了可日常执行的自动化工具；
3.实验结果表明，迭代后的工具较Excel工具，平均提问迭代次数降低50%，方案一次接受率提升16.5%，代码缺陷密度降低33.9%，AI算力有效利用率从78.6%提升至95.2%，实现了对AI性能的极致压榨；
4.迭代后的工具对初级、中级普通开发者具有显著的赋能效果，方案一次接受率分别提升13.9和11.8个百分点，CI指数分别提升42.6和28.3分，彻底抹平了普通开发者的工程化思维短板，实现了AI辅助编程能力的普惠。
6.2 未来展望
未来，本文将从以下四个方面，对工程化AI提问方法与工具进行持续优化与拓展：
1.工具的智能化升级。引入更精细的自然语言处理技术，构建基于信息精准度、相关性、逻辑性的精细化评分模型，替代当前基于字段是否填写的简单评分规则；同时优化本地轻量模型的能力，实现更精准的语义分析与优化建议生成，进一步提升工具的智能化水平。
2.方法的场景化拓展。将工程化AI提问方法拓展至前端开发、测试、运维、数据分析、产品设计等全研发环节，针对不同场景的业务特点，定制专属的提问模板与校验规则，推动方法的全场景应用。
3.跨模型与跨平台适配优化。进一步拓展工具的适配范围，支持更多的IDE、国产大模型与开源模型，针对不同模型的特性优化适配规则，最大化释放每一款模型的原生能力；同时优化团队协作功能，支持企业级的统一规范下发、团队知识库共享、合规审计等功能，适配企业级开发场景。
4.开发者能力培养的长期研究。开展更长周期的跟踪研究，探索工程化AI提问方法对开发者长期能力成长的影响机制，构建AI时代开发者能力培养的系统化体系，帮助开发者在AI时代保持核心竞争力，实现“人主导AI、AI赋能人”的良性人机协同范式。
参 考 文 献
[1] GitHub. The state of the octoverse 2024[R]. San Francisco: GitHub Inc, 2024.
[2] Stack Overflow. 2023 developer survey[R]. New York: Stack Overflow Inc, 2023.
[3] Raymond E S. How to ask questions the smart way[EB/OL]. (2022-06-15)[2024-03-20]. http://www.catb.org/~esr/faqs/smart-questions.html.
[4] Wei J, Wang X, Schuurmans D, et al. Chain-of-thought prompting elicits reasoning in large language models[J]. Advances in Neural Information Processing Systems, 2022, 35: 24897-24908.
[5] Google Research. Structured prompting for code generation[R]. Mountain View: Google Inc, 2023.
[6] Zhou D, Schärli N, Hou Y, et al. Automatic prompt optimization with large language models//Proceedings of the International Conference on Learning Representations. Kigali, Rwanda, 2023: 1-20.
[7] Mishra S, Brynjolfsson E, Etchemendy J. The impact of AI on software development[J]. Journal of Economic Perspectives, 2024, 38(2): 3-24.
[8] Vaithilingam P, Zhang T, Li J, et al. User experience of AI-powered code assistants: challenges and opportunities//Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. New Orleans, USA, 2022: 1-14.
[9] Zhang Xiao-Ming, Li Hua, Wang Qiang. Research on the application of prompt engineering in AI-assisted programming. Chinese Journal of Computers, 2023, 46(8): 1723-1740 (in Chinese)
(张小明, 李华, 王强. 提示工程在AI辅助编程中的应用研究. 计算机学报, 2023, 46(8): 1723-1740)
[10] Li Juan, Zhang Qiang, Wang Li. Research progress in human-computer collaborative software engineering. Journal of Software, 2024, 35(2): 567-592 (in Chinese)
(李娟, 张强, 王丽. 人机协同软件工程研究进展. 软件学报, 2024, 35(2): 567-592)
[11] Sweller J. Cognitive load theory: its current role in medical education[J]. Medical Education, 2020, 54(1): 3-12.
[12] Meyer B. Object-oriented software construction. 2nd ed. Upper Saddle River: Prentice Hall, 1997.
[13] Wang Hao, Li Li, Zhang Lei. Design and implementation of lightweight project management tool based on Excel. Computer Applications and Software, 2023, 40(5): 289-296 (in Chinese)
(王浩, 李丽, 张磊. 基于Excel的轻量级项目管理工具设计与实现. 计算机应用与软件, 2023, 40(5): 289-296)
[14] OpenAI. GPT-4o technical report[R]. San Francisco: OpenAI Inc, 2024.
[15] Liu Min, Chen Jie, Zhao Yang. Application and optimization of domestic large models in code generation. Computer Engineering, 2024, 50(3): 123-130 (in Chinese)
(刘敏, 陈杰, 赵阳. 国产大模型在代码生成中的应用与优化. 计算机工程, 2024, 50(3): 123-130)
[16] The Cooperative Association for Internet Data Analysis(CAIDA). http://www.caida.org/data, 2010, 7, 18.