我如何将 AI 与 Python 结合使用：Web 开发工作流
Telegram 群组里的一个问题让我重新思考了我的整个流程。
有人问道：“你到底是如何将 AI 与 Python 结合使用的？你是使用提示工程（prompt engineering）还是模板？”
大多数人在这一点上感到困惑，因为 AI 的变化太快了。我不使用付费 API 或本地模型，而是使用免费的 Web 服务。我的工作流专注于 Django Web 开发。
以下是我的具体方法。
Step 1: 构建上下文 在开始任何任务之前，我会向模型提供我的项目文件树和一段简短的描述。模型必须了解当前的环境。
Step 2: 保存一切 我会保存每一次 AI 对话的 URL。如果我一周后重新回到某个项目，我只需粘贴链接即可。模型已经了解该项目，我无需浪费时间重复上下文。
Step 3: 视觉验证 我不仅仅是索要代码。我会向模型提供我已批准的 UI 模板以及技术规范，例如 Bootstrap 版本和配色方案。
然后，我会要求模型描述我的 UI。如果它的描述与我的实际项目相符，说明它理解了。
Step 4: 创建样式指南 我会让模型扮演 UI/UX 设计师的角色，并根据项目编写一份详细的样式指南。这会迫使模型整合其掌握的知识。
Step 5: 构建可复用的提示词 我会让模型为我编写提示词。例如，我会让它创建一个可以在不触动逻辑的情况下重新设计 Django 模板样式的提示词。
一旦这个提示词奏效，重新设计页面就变成了一行命令的事。我只需粘贴提示词，粘贴代码，然后即可获得结果。
My Two Main Production Prompts:
The Web Component Prompt: 用于将 JSON 数据转换为原生 Web Components。它包含了关于架构、颜色和图标的具体规则。
The Template Restyler Prompt: 用于更新现有 Django 模板的外观。它在注入新 CSS 的同时，会严格保护服务端标签和逻辑。
Why this works:
- Speed: 我编写应用逻辑，而 AI 处理视觉层。
- Learning: 上下文阶段能教给我新的技术方法。
- Portability: 因为提示词是由模型编写的，它们可以在不同的 AI 服务之间通用。
The Reality:
你不能跳过准备阶段。输出的质量取决于上下文的质量。第一个提示词很少是完美的。你必须运行它，发现错误，并添加规则来修复它们。
这个工作流让我能够专注于逻辑和数据，而不是在 CSS 上纠缠不清。
Optional learning community: https://t.me/GyaanSetuAi