Hoe ik AI met Python gebruik: een workflow voor webontwikkeling
Een vraag in een Telegram-groep deed me mijn hele proces heroverwegen.
Iemand vroeg: "Hoe gebruik je AI eigenlijk met Python? Gebruik je prompt engineering of templates?"
De meeste mensen worstelen hiermee omdat AI te snel verandert. Ik gebruik geen betaalde API's of lokale modellen. Ik gebruik gratis webdiensten. Mijn workflow richt zich op Django webontwikkeling.
Hier is mijn exacte methode.
Stap 1: Bouw de context op Voordat ik aan een taak begin, voer ik de mappenstructuur van mijn project en een korte beschrijving in bij het model. Het model moet de omgeving kennen.
Stap 2: Sla alles op Ik sla de URL van elk AI-gesprek op. Als ik een week later terugkeer naar een project, plak ik de link erin. Het model kent het project dan al. Ik verspil geen tijd aan het herhalen van de context.
Stap 3: De visuele verificatie Ik vraag niet alleen om code. Ik geef het model mijn goedgekeurde UI-templates en technische specificaties, zoals Bootstrap-versies en kleurenpaletten.
Vervolgens vraag ik het model om mijn UI te beschrijven. Als de beschrijving overeenkomt met mijn werkelijke project, begrijpt het model het.
Stap 4: Maak een styleguide Ik vraag het model om op te treden als een UI/UX-designer en een gedetailleerde styleguide te schrijven op basis van het project. Dit dwingt het model om zijn kennis te consolideren.
Stap 5: Bouw herbruikbare prompts Ik vraag het model om een prompt voor mij te schrijven. Bijvoorbeeld: ik vraag het om een prompt te maken die Django-templates restylet zonder de logica aan te raken.
Zodra deze prompt werkt, wordt het restylen van een pagina een one-liner. Ik plak de prompt, plak de code en krijg het resultaat.
Mijn twee belangrijkste productie-prompts:
De Web Component Prompt: Wordt gebruikt om JSON-data om te zetten in native Web Components. Het bevat specifieke regels voor architectuur, kleuren en iconen.
De Template Restyler Prompt: Wordt gebruikt om het uiterlijk van bestaande Django-templates bij te werken. Het beschermt strikt de server-side tags en logica terwijl er nieuwe CSS wordt geïnjecteerd.
Waarom dit werkt:
- Snelheid: Ik schrijf de applicatielogica terwijl de AI de visuele laag afhandelt.
- Leren: De contextfase leert me nieuwe technische benaderingen.
- Draagbaarheid: Omdat het model de prompts schrijft, werken ze bij verschillende AI-diensten.
De realiteit:
Je kunt de opbouwfase niet overslaan. De kwaliteit van de output hangt af van de kwaliteit van je context. De eerste prompt is zelden perfect. Je moet hem uitvoeren, de fouten vinden en regels toevoegen om ze op te lossen.
Deze workflow stelt me in staat om me te concentreren op logica en data in plaats van te vechten met CSS.
Optionele leercommunity: https://t.me/GyaanSetuAi