Fitten Code需通过明确角色、结构化输入、具体示例和歧义封堵四步法提升代码生成准确率：定义技术领域+经验年限+输出粒度；分“上下文/输入/输出/约束”四块陈述；提供字段对齐的输入-输出示例并标注动态逻辑；将模糊需求转为可验证指标并强制注释验证方式。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想让Fitten Code准确理解你的编程意图，写出符合预期的代码，但每次提问后得到的回复总差那么一点意思——不是逻辑错位，就是漏掉关键约束，或是用了你根本没提的技术栈。
明确角色与任务边界
在Prompt开头用一句话定义AI的身份和本次交互的核心职责，例如：“你是一名有5年Python后端开发经验的工程师，专注FastAPI微服务架构，本次任务仅生成可直接运行的路由函数代码，不解释、不补全main.py。”
这句设定会覆盖Fitten Code默认的通用编程助手身份，避免它擅自补充日志、测试用例或环境配置——【没有角色限定时，AI会按自身训练数据中最常见的模式补全，而非按你当前最小需求输出】。
角色描述必须包含技术领域+经验年限+输出粒度，三者缺一不可。
结构化输入：分块陈述已知条件
把需求拆成“上下文”“输入”“输出”“约束”四块，每块独占一行，用中文冒号分隔：
上下文：用户正在迁移旧版Django视图到Flask，需保持URL路径和HTTP方法完全一致
输入：POST /api/v1/order，请求体含order_id（str）、items（list[dict]）
输出：返回JSON，键为status（str）、data（dict），data中必须包含processed_items_count（int）
约束：禁止使用SQLAlchemy，只调用requests.post向http://legacy-service/process同步数据
这种分块写法强制你厘清自己真正掌握的信息，也防止AI混淆“应该做什么”和“可以怎么优化”。若混写成一段话，Fitten Code容易把“禁止使用SQLAlchemy”当成建议而非硬性指令。
用具体示例锚定期望格式
方法一：提供输入-输出对
给出1组真实样例，格式严格对齐你要求的字段名、嵌套层级、数据类型：
输入示例：
{"order_id": "ORD-789", "items": [{"sku": "A12", "qty": 3}, {"sku": "B45", "qty": 1}]}
输出示例：
{"status": "success", "data": {"processed_items_count": 2}}
方法二：标注关键字段行为
在输出示例旁用括号注明动态逻辑，例如：processed_items_count（等于items数组长度，非硬编码数字）。
注意：示例必须是你确认无误的，Fitten Code会优先模仿示例结构而非文字描述——【一旦示例里漏了某个必填字段，生成结果必然缺失】。
封堵常见歧义点
第一步：识别你需求里可能被泛化解读的词，比如“轻量级”“高性能”“兼容旧版本”，全部替换为可验证的具体指标。
第二步：对每个指标给出判定标准，例如：“高性能”→“单次处理耗时≤50ms（基于本地i7-11800H实测）”，“兼容旧版本”→“能接收v2.3.0客户端发来的JWT token，payload中aud字段值为'legacy-api'”。
第三步：把指标判定标准写进Prompt末尾，单独成行并加粗提示：【所有性能指标必须在代码注释中标注验证方式，未标注视为未满足】。
