phodal/understand-prompt

理解 Prompt：基于编程、绘画、写作的 AI 探索与总结

欢迎使用集成了这些模式的工具：https://github.com/prompt-engineering/click-prompt

目录：

1. 理解 Prompt 1. 图形生成：如何描述一张照片？？ 1. 文本描述：第一个示例 2. 精准控图：结合 ControlNet 3. 更多的模型集：与二次元世界的照片（18 禁） 4. 小结 2. 文章：如何围绕特定主题思考？ 1. 情境：如何用 ChatGPT 写一篇文章，以如何用 ChatGPT 写一篇文章? 2. 构建更完整的上下文 3. 构建框架（frameworks） 4. 其它小建议： 3. 代码生成：GitHub Copilot 1. 完整示例：DDD + ChatGPT + Copilot 2. 其它：代码生成开源模型 4. 总结：AI 就像占卜 5. 其它：Macbook Pro 的吐槽 1. AI 生态不友好 6. 本文相关资源 2. Prompt 编程：打通低代码的最后一公里？ 1. 引子 2. Prompt 编程：真正的无代码 1. Prompt 编程特性 1：从需求到代码的直接转换 2. Prompt 编程特性 2：代码只是临时产物 3. Prompt 编程特性 3：次序化的分解框架 4. Prompt 编程特性 4：语言即语言 3. Prompt 编程 Demo：引导 ChatGPT 创建语言与建模 1. 阶段一：让 ChatGPT 与你学 DDD 2. 阶段二：完整设计 + DSL 生成 3. 阶段三：代码生成与低代码 4. 小结 4. 实时的软件生成：自然语言即 Prompt，Prompt 即代码 1. 特征 1：自然语言即语言，语言即软件 1. 特征 2：生成式的软件架构 1. 特征 3：自底向上生成 5. 当前的挑战 6. 总结 3. 如何利用好 AIGC ？从 AI 绘画的演进与 ChatGPT 现状出发 1. 如何构建高质量的 AI 图形：精准控线 + 个人模型 1. 严格化验收条件：Negative Prompt 2. 构架蓝图：ControlNet 精准控线 3. 轻量小模型：DreamBooth 个人模型与风格化 4. 完善与细化：局部绘制 —— InPaint 的手部修复 5. 小小的总结：严格化验收条件 + 构架蓝图 + 轻量小模型 + 完善与细化 2. 个人 AI 策略：构架 + 磨炼 + 小模型 1. 策略 0：拥抱变化 2. 策略 1：强化构架能力 3. 策略 2：构建领域小模型 3. 策略 3：探索与磨炼技巧 4. 小结

文件目录：

• Stable Diffusion 简易教程：Stable Diffusion
• 从 AI 绘画看 AIGC 的未来
• Jupyter 练习 AI 相关部分
• translate.ipynb 中文翻译英文
• codeai.ipynb 代码自动生成

基于编程、绘画、写作的 AI 探索与总结：理解 Prompt

PS：本文的图形部分因 “真实世界原因”，包含一些年龄受限的词汇，建议未成年人在监护人陪同下阅读。

就当前节点（2023.02.22）而言，我虽然研究过一段时间传统的机器学习，但是并不擅长深度学习等领域，所以很多 AI 领域相关的词汇，我是不擅长的，只为自己总结一下，方便在未来更新自己的认识。

内容主要是结合我过去擅长的编程、写作、绘画展开的：

1. 绘画：text 2 image。结合 Stable Diffusion 讲述一张图片的演化。 2. 写作：chat 2 article。结合 ChatGPT 讲述围绕特定主题的内容创作。 3. 编程：comment 2 code。结合 GitHub Copilot 如何加速日常的编程活动。

总体来说，AI 相当于美国队长的实力，遇强则强，遇弱则弱，关键其实在于 Prompt。所以，如何更好地完善 prompt，实现 prompt 工程就是：如何更好地使用 AI 的基础。

Prompt 是一种文本输入方式，用于与自然语言处理模型（例如GPT）进行交互。Prompt 是一个短语或一句话，可以启动模型并产生与 Prompt 相关的输出。这个输出可以是一个单独的单词、一句话，或者是一段完整的段落。它可以控制模型的行为，使其产生特定的结果。

所以，如何更好地完善 prompt，实现 prompt 工程就是：如何更好地使用 AI 的基础。所以，在这篇文章里，我将介绍：

1. 用 text 2 image 来展示如何演进 prompt 2. 用 text 2 article 来展示充足 prompt 的优点 3. 结合 GitHub Copliot 来实现 prompt 完成工作

PS：感谢我老婆提供的照片。

图形生成：如何描述一张照片？？

人类需要思考第一个问题：如何描述一张照片？在不关心感受的情况下，我们关注于主体、背景、颜色、构图等。

现在，我们脑海中出现一个场景：

接着，用文本来抽象它。在这里，我结合一下 Stable Diffusion 来讲述一下过程。

文本描述：第一个示例

生成 prompt：

• phodal: 我想写一段话描述一张照片，帮我美化一下：一年轻女子穿着裙子，背对着镜头，在海边看着日落，太阳已经到地平线下面了，她的头发在风中飘动。
• ChatGPT: 这张照片中的场景令人心醉，一位年轻女子穿着一条裙子，站在海边，背对着镜头，凝视着地平线下的夕阳。太阳已经沉入了海面，一片金黄色的光芒在海面上弥漫，照亮了整片海洋，仿佛这个时刻被定格在了时间的某个角落里。女子的头发随着微风轻轻飘动，轮廓被余晖映照得柔和而温暖。她的目光凝视着远方，仿佛在思考着生命的意义和无尽的未来。这张照片中蕴含着一种深刻的内涵，让人感受到时间和自然的力量，也让人思考着自己在这个宏大而美丽的世界中的角色和意义。

如果转换成英语的话：

A young woman wearing a flowing dress stands at the edge of the sea, her back turned to the camera as she gazes upon

the glow of the setting sun. The ocean stretches out before her in all its grandeur, and the sun slowly sinks below

the horizon, casting a golden light over the water. The woman's hair sways gently in the breeze, her features softened

by the warm hues of the sunset. Her gaze is fixed on the distance, as if pondering the meaning of life and the endless

possibilities of the future.

重复了 N 次之后，你会得到你想要的成功的照片，当然也会有失败的出现（因为没有配置 negative prompt 过滤失败的情况）：

但是，熟悉各种搜索引擎的关键词的或者 NLP 的你，肯定知道，上面的大部分可能是废话，可以减化为如下的词，并添加一些专用的模型词汇，如black hair, hand before body, no hand, bodycon dress：

women back view without face, flowing dress, edge of the sea, backview, back turned to the camera, upon the glow of the setting sun, sun below the horizon, golden light over the water, hair sways gently, Chinese style clothes, black hair,

随后，添加一些反向 prompt，意思是不要这些内容，诸如于 AI 不擅长的：bad hands、morbid 等等。随后，不断调整 prompt，比如生成更好的 Prompt：

诸如于采用 Magic Prompt。

精准控图：结合 ControlNet

由于生成的姿势是随机的、无法控制，所以我就引入了 ControlNet 插件 ——用来实现骨骼绑定、精准控线、线稿上色、依据深度图结构透视精准重绘等。现在，就能结合我们做的创作来完善生成的图形，诸如于我们绘制草图、或者输入一张原始图片，就可以生成我们预期的效果：

最后，生成的图片如下：

在我写完文章的时候，又修改了一下 prompt：

women back view without face standing on the sandy beach, bodycov full skirt, edge of the sea, back turned to the camera, upon the glow of the setting sun, black hair, sunset red to blue gradient sky

对应的 negative prompt 是：

(((simple background))),monochrome ,lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry, lowres, bad anatomy, bad hands, text, error, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry, ugly,pregnant,vore,duplicate,morbid,mut ilated,tran nsexual, hermaphrodite,long neck,mutated hands,poorly drawn hands,poorly drawn face,mutation,deformed,blurry,bad anatomy,bad proportions,malformed limbs,extra limbs,cloned face,disfigured,gross proportions, (((missing arms))),(((missing legs))), (((extra arms))),(((extra legs))),pubic hair, plump,bad legs,error legs,username,blurry,bad feet

效果凑合着，还是不错的。然后，我们可以做更多的尝试，配合一下参数调整（俗称炼丹）：

也可以结合 inpaint 对失真的部分进行修复。

更多的模型集：与二次元世界的照片（18 禁）

众所周知，AI 的生成质量是与模型息息相关的，所以好的质量需要有好的模型。

我们可以在 https://civitai.com/ 上找到更多的模型，不过因为年龄限制等原因，只建议你在安全的场所打开，不建议在公共场所打开。

真实的人物由于版权的种种原因，所以这个软件在二次元世界相当的流行。如下是常见的提示词来描述模型的质量，里面可能包含一些不适词语，为了体现真实世界，这里并不打算屏蔽。

提示词 ：

modelshoot style, (wavy blue hair), ((half body portrait)), ((showing boobs, giant boobs, humongous breasts)), ((

beautiful light makeup female sorceress in majestic blue dress)), photo realistic game cg, 8k, epic, (blue diamond

necklace hyper intricate fine detail), symetrical features, joyful, majestic oil painting by Mikhail Vrubel, Atey

Ghailan, by Jeremy Mann, Greg Manchess, WLOP, Charlie Bowater, trending on ArtStation, trending on CGSociety, Intricate,

High Detail, Sharp focus, dramatic, photorealistic, black background, epic volumetric lighting, fine details,

illustration, (masterpiece, best quality, highres), standing in majestic castle

负面提示词

(((simple background))),monochrome ,lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer

digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry,

lowres, bad anatomy, bad hands, text, error, extra digit, fewer digits, cropped, worst quality, low quality, normal

quality, jpeg artifacts, signature, watermark, username, blurry, ugly,pregnant,vore,duplicate,morbid,mut ilated,tran

nsexual, hermaphrodite,long neck,mutated hands,poorly drawn hands,poorly drawn face,mutation,deformed,blurry,bad

anatomy,bad proportions,malformed limbs,extra limbs,cloned face,disfigured,gross proportions, (((missing arms))),(((

missing legs))), (((extra arms))),(((extra legs))),pubic hair, plump,bad legs,error legs,username,blurry,bad feet,

lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low

quality, normal quality, jpeg artifacts, signature, watermark, username, blurry

足够丰富的描述，可以帮助 AI 理解描述我们的需求：

上图为 AI 生成，也是同样场景下，不屏蔽的结果 —— 其原因是大部分的模型库加入了很多 18 禁的内容。

小结

现在，让我们来思考一下，如何描述一张带人物的图片：

• 详细的描述词。
• 人物的姿势。
• 丰富的模型。
• 反复修改的参数。
• 持续迭代。（基于 InPaint 等进行修改）

那么，文章呢？

文章：如何围绕特定主题思考？

结合一下先前 Stable Diffusion 的无数次的失败经验，我们应该先找好一个合适的框架来跑 ChatGPT。

在编写内容的内容，我们会有各种思路和原则：STAR、金字塔原理、5W1H等等。

我们可以以 STAR （Situation（情景）Task（任务）、Action（行动）和 Result（结果））可以作为与 ChatGPT 会话的基础：

1. 描述一个情境或背景，使读者对问题有更好的了解。 2. 说明任务或目标，告诉读者需要完成什么。 3. 描述你所采取的行动，例如使用什么方法、工具、策略等等。 4. 解释结果，包括遇到的挑战和取得的成果。

这样，对于我们展开思路会有一些帮助。

情境：如何用 ChatGPT 写一篇文章，以如何用 ChatGPT 写一篇文章?

phodal：我想写一篇文章，主题是《如何用 ChatGPT 写一篇文章，以如何用 ChatGPT 写一篇文章 》

示例：

但是，这样的内容并非我们想要的。

而在这个标题里，其实 ChatGPT 已经理解了，如何写一篇文章，换作是一个冷门的话题，他就不知道了。在此时，我们需要构建一个更丰富的上下文：

在这时，ChatGPT 给出的步骤依旧是错的，我们需要继续纠正。所以，我们可以考虑在一开始给一个完整的上下文：

构建更完整的上下文

对于 ChatGPT 来说，我们需要明确的 prompt：：

我想写一篇文章，主题是《如何用 ChatGPT 写一篇文章，以如何用 ChatGPT 写一篇文章》，文章的大纲是：
1. 先用 100 字介绍一下 ChatGPT
2. 以 Julia 作为可以以具体的案例为例，介绍如何使用 ChatGPT 写一篇博客大赛的参赛作品。这包括如何确定主题、如何撰写开头和结尾、如何组织文章结构等等。主题是：《Julia Dataframe 在大数据分析领域的使用》，大纲中包含：用 200 字介绍一下 Julia 语言历史；介绍如何使用 DataFrames.jl，并有个代码示例；对比一下 Python Pandas、Apache Spark Dataframe；小结。
3. 对本文的内容进行总结，并再次强调使用 ChatGPT 进行写作的好处。
帮我写一篇文章？

如此一来，我们提供的上下文就会更加准确，就可以看到一个范例：

基于这个范例，可以思考我们的内容如何编写。

构建框架（frameworks）

ChatGPT 本身构建了一个框架，我们可以再输入一个有用的框架，以构建简单的反馈回路。于是，我开始教他 DDD，然后相互学习：

不过，ChatGPT 和上面的图片一样，经常丢失一些上下文。

phodal: 在这个 TicketOrder 聚合里，他应该包含哪些 API ？

在 TicketOrder 聚合里，可以包含以下一些 API：

1. createOrder()：创建一个新的订单，可以接收顾客信息、场次信息、座位信息等参数，并返回一个唯一的订单号。 2. cancelOrder(orderId)：取消某个订单，需要提供订单号。 3. getOrder(orderId)：获取某个订单的详细信息，需要提供订单号。 4. reserveSeats(showTimeId, seatIds)：在某个场次中预留座位，需要提供场次号和座位号。 5. confirmOrder(orderId)：确认订单，此时座位被锁定并且订单状态被改为已确认。 6. payOrder(orderId, paymentInfo)：支付订单，需要提供订单号和支付信息。 7. refundOrder(orderId)：退票，需要提供订单号并且只能在订单状态为已确认时进行。 8. updateOrder(orderId, updateInfo)：修改订单信息，可以更新顾客信息、场次信息、座位信息等，需要提供订单号和更新内容。

基本的 API 可以满足电影院订票业务的需求，但具体实现还需要根据业务场景和需求进行细化和调整。

其它小建议：

相似的，与 Stable Diffusion 类似的是，AI 生成的内容经常出现各种问题，所以我们要注意：

1. 保持自然的表达。ChatGPT 能够生成流畅的语句，但有时可能会出现奇怪或不合适的表达。在使用 ChatGPT 进行写作时，需要注意保持自然的表达方式。 2. 适时修正错误。如果 ChatGPT 生成的内容不准确或有错误，应该及时进行修正，以保证文章的准确性和可读性。 3. 多次修改和调整。ChatGPT 的输出结果虽然会自动进行语法纠错和编辑，但是为了保证文章质量，还是需要经过多次修改和调整，不断完善文章结构和内容。 4. 保持简洁明了。在使用 ChatGPT 进行写作时，需要尽量保持简洁明了，避免使用过于复杂的句式和词汇，以便读者更好地理解文章内容。 5. 注重原创性和独特性。尽管 ChatGPT 能够生成大量的文章，但是为了在博客大赛中脱颖而出，还需要注重文章的原创性和独特性，尽可能地突出自己的风格和思想。

考虑到 ChatGPT 的代码并不那么准确，让我们使用 GitHub Copilot 生成更多的内容。

代码生成：GitHub Copilot

GitHub Copilot 是 GitHub 2021 年 8 月推出的一个 AI 代码生成工具，它可以根据你的代码，生成更多的代码。

所以，对于 Markdown 本身来说，它也能提供一些帮助。当然了，在这方向它没有 ChatGPT 那么强大，经常会出现一些奇怪的重复代码。

但是，也并非不可用，我们可以使用它来生成一些代码片段，以便于我们进行修改。

完整示例：DDD + ChatGPT + Copilot

如结合 Chat GPT 我们可以完成代码的前置设计（当然有些不靠谱）：

复制生成的 API，写行注释告诉 Copilot：convert to markdown table，然后我们就有了：

| API | 描述 | HTTP方法 | URL | 参数 | 返回值 | |--------|----------------|--------|-----------------------------------------------|--------|-------------| | 创建订单 | 创建一个新的订单 | POST | /ticket-orders | 创建订单信息 | 订单ID | | 查询订单 | 查询一个已存在的订单 | GET | /ticket-orders/{orderId} | 订单ID | 订单信息 | | 取消订单 | 取消一个已存在的订单 | DELETE | /ticket-orders/{orderId} | 订单ID | 取消成功或失败信息 | | 添加座位 | 向一个已存在的订单添加座位 | POST | /ticket-orders/{orderId}/seats | 座位信息 | 座位添加成功或失败信息 | | 移除座位 | 从一个已存在的订单中移除座位 | DELETE | /ticket-orders/{orderId}/seats/{seatId} | 座位ID | 座位移除成功或失败信息 | | 查询可用座位 | 查询某个场次电影的可用座位 | GET | /cinema-schedule/{scheduleId}/available-seats | 场次ID | 可用座位信息 | 接下来，我们可以使用 Spring + Copilot 来生成一些代码片段，以便于我们进行修改：

在有足够类相关信息的情况下，诸如于，我们提供一个注释：

@PostMapping
fun createTicketOrder(@RequestBody ticketOrder: TicketOrder): String {
    // check the schedule is valid, the seats are available, then create the order
}

它生成的代码会更加准确：

而如果我们添加了对应的 Exception 的处理注释：check the schedule is valid, the seats are available, then create the order, if the schedule is not valid, throw NotScheduleAvailableException，代码进一步转化为：

@PostMapping
fun createTicketOrder(@RequestBody ticketOrder: TicketOrder): String {
    // check the schedule is valid, the seats are available, then create the order, if the schedule is not valid, throw NotScheduleAvailableException
    // check the schedule is valid
    val schedule = cinemaScheduleService.getSchedule(ticketOrder.scheduleId)
    if (schedule == null) {
        throw NotScheduleAvailableException()
    }
    // check the seats are available
    val availableSeats = cinemaScheduleService.getAvailableSeats(ticketOrder.scheduleId)
    if (!availableSeats.containsAll(ticketOrder.seats)) {
        throw NotSeatAvailableException()
    }
    // create order
    return tickerOrderApplicationService.createOrder(ticketOrder)
}

在另外一些场景下，如果你的函数名和参数名都是英文，那么 Copilot 生成的代码也会更加准确：

而在单元测试的场景下，Copilot 更加强大和智能，它能够根据你的测试代码，生成更多的测试代码。

其它：代码生成开源模型

我也尝试了下 Saleforce 的代码模型：https://huggingface.co/Salesforce/codegen-6B-mono，但是不能在我的 MBP 上跑上来，有些遗憾。

总结：AI 就像占卜

你可能无法预期输出的是啥，总会有各种惊喜。

而其实，与 AI 的 prompt 相似的是：和人类聊天的时候，我们也需要提供足够的上下文。所以，你需要一下 ChatGPT，他并不总是能理解你的上下文。

其它：Macbook Pro 的吐槽

公司配置的 Macbook Pro 2019 虽然有 AMD 显卡，但是没有 CUDA、ROCm 的支持，所以只能用 CPU 来跑了。

AI 生态不友好

诸如于 PyTorch，以前是支持 ROCm 加速的：

现在的版本不行了：https://pytorch.org/get-started/locally/ 。

本文相关资源

AI 生成图片：

• Stable Diffusion Webui GitHub： https://github.com/AUTOMATIC1111/stable-diffusion-webui
• 通用的 AI 模型社区：https://huggingface.co/
• Stable Diffusion AI 艺术模型社区：https://civitai.com/ （18 禁）

代码模型相关：

• Salesforce 模型：https://huggingface.co/Salesforce/codegen-6B-mono
• CarpserAI： https://huggingface.co/CarperAI/diff-codegen-6b-v2

ControlNet 加强：

• 模型：https://huggingface.co/lllyasviel/ControlNet
• 预编译：https://huggingface.co/kohya-ss/ControlNet-diff-modules

实时的软件生成 —— Prompt 编程打通低代码的最后一公里？

PS：这也是一篇畅想，虽然经过了一番试验，依旧有一些不足，但是大体上站得住脚。

传统的软件生成方式需要程序员编写大量的代码，然后进行测试、发布等一系列繁琐的流程。而实时生成技术则是借助人工智能技术，让计算机自动生成代码，并直接运行，从而大大提高了软件生成的效率和质量。

而实时生成技术是一种借助人工智能技术让计算机自动生成代码，并直接运行的方法，大大提高了软件生成的效率和质量。实现实时软件生成的一种方式是 Prompt 编程，可以将自然语言转化为直接运行的软件，而无需生成中间的一次性过渡代码。

引子

从 2019 年，写了那篇《无代码编程)》开始，我也一直在思考，诸如于 2021 年) 和 2022 年) 的前端趋势总结。

先前，我并不看好当前的低代码/无代码方案，先我们来思考一下这个过程：

第一步，业务需求需要在人类脑海里转换一遍，转换为程序逻辑。

第二步，专业人员（如程序员）将这些逻辑转换到无代码系统中，生成应用并直接部署。

第三步，如果这个专业人员是程序员，那么新的需要变更时，他可能直接去修改源码。

而随着 ChatGPT 的进一步普及，你会发现你可以很容易将需求转化为形式化格式，进而转化而软件，从而使得软件开发的效率和速度大大提升。这种一次性代码的新型软件工程方法就是实时软件生成，便可以进入真正的 “无代码” 时代。

Prompt 编程：真正的无代码

• Prompt 编程是实现实时软件生成的一种方式，可以将自然语言转化为直接运行的软件，而无需生成中间的一次性过渡代码。每当需要运行程序时，只需要再运行一下 prompt 或者触发词，就可以直接运行起某个软件。

我们尝试从编写 Prompt 的经验里，归纳出一套适合于 Prompt 编程的逻辑，方便于大家理解。Prompt 编程有以下特性：

1）从需求到代码的直接转换；

2）代码只是临时产物；

3）次序化的分解框架。

这种一次性代码的新型软件工程方法可以进入真正的 “无代码” 时代。

Prompt 编程特性 1：从需求到代码的直接转换

用户只需要简单输入自己的需求就能够生成符合要求的软件，无需具备专业的编程技能。示例：

我们来玩一个 mul 游戏，当我说 mul 开头，并输入数字时，你应该计算结果。示例："""当我输入：mul 4，你应该输出：16"""

在这个游戏里，我们使用：

1. 触发词。mul 作为街头暗号，告诉程序你要按这个步骤走。类似于编程里的函数名。 2. 示例作为输入和输出。即预期输入某个结果时，输出我们想要的结果。

而在其实，已经是一个函数该有的样子：输入、输出、关系。值得注意的是，在简单的问题下，只要我们给定了示例，那么 AI 就会根据示例去计算输入和输出，不关注中间的处理逻辑。

接下来，再看一个隐含性编程的示例，依旧我们还是玩个游戏：

我们能玩一个名为 kfc 的谜语创作游戏，当我说 "kfc"，你写一个谜题，要求：
1. 不少于 200 字
2. 谜题不能出现肯德基和星期四
3. 正文可以夹杂小语种语言，如 """他说：Ciao"""
4. 谜底必须是 ###原来今天是肯德基疯狂星期四!!!###
格式类似于：
"""
...
"""

这个例子已经相当的自由，我们也不关心中间的处理逻辑，只关注于结果。

Prompt 编程特性 2：代码只是临时产物

还记得在 Prompt 编写模式) 中的 wula 游的例子吗？在 wula 游戏里，用户只需要输入问题，ChatGPT 便会自动给出代码、代码解释和文章。诸如于：wula: 头共10，足共28，鸡兔各几只？，那么 AI 便会开始自动开始二次编程：

这是一个鸡兔同笼问题，题目给出了头的数量和足的数量，要求求出鸡和兔的数量。通常解决这个问题的方法是，假设鸡和兔的数量分别为 x 和 y，那么可以列出如下方程组：
x + y = 10
2x + 4y = 28
解方程组可以得到 x=4，y=6，即鸡有4只，兔有6只。
鸡兔同笼问题的 JavaScript 代码实现
// 计算鸡兔数量的函数
function calcAnimals(heads, legs) {
.....

在传统的体系之下，我们要关注于中间生成的 JavaScript 代码、代码能不能运行等等，所以我们在设计 wula 的时候，要求了：

第二步. 代码编写：你需要用 JavaScript 编写解决这个问题的代码，并输出对应的代码，并介绍一下你的代码（不少于 200 字）。
第三步. 代码执行：你需要作为 JavaScript Console 执行第二步写的代码，如果没有给出测试数据，你需要自己随机生成测试数据，并将这些数据输入到代码中进行计算。

但是，回到第一个例子里，我们并不需要 JavaScript 代码，我们不需要任何代码。ChatGPT 可以为我们生成这部分的程序！！！

唯一限制我们的是：

1. ChatGPT 的上下文能力 2. 我们的 Prompt 编写能力

而在复杂的场景之下，Prompt 编写需要足够的形式化，才能让机器理解，也因此，我才把它称为 Prompt 编程。

Prompt 编程特性 3：次序化的分解框架

仅就当前而言 AI 的上下文能力，限制了 AI 解决复杂问题的能力。所以，它无法一次性解决复杂、中大型的问题，甚至于小型项目都存在一定的难度。同样的，对于人类来说，也存在这样的局限性，只是人类的问题是领域知识有限。

步骤详细见：DDD Sample)

所以，作为编程核心的人类大脑，需要为机器设计一下工序，即每一步应该怎么做。所以，这个时候，就回到了 DDD（领域驱动设计）擅长的问题：

我们来定义一下 DDD 游戏的步骤，一共有 6 个步骤，步骤如下：
"""
第一步. 拆解场景。分析特定领域的所有商业活动，并将其拆解出每个场景。
第二步. 场景过程分析。选定一个场景，并使用 "{名词}已{动词}" 的形式描述过程中所有发生的事件，其中的名词是过程中的实体，其中的动词是实体相关的行为。
第三步. 针对场景建模。基于统一语言和拆解出的场景进行建模，以实现 DDD 设计与代码实现的双向绑定。
……
"""

对于每一步，我们只要限定好我们的输出（Output），那么在给定输入的情况下，AI 就能给出我们想要的（也有可能跑偏了）结果：

ddd 第二步：场景过程分析。下面是每个场景的过程分析：
用户注册和登录
    用户注册：用户填写注册信息，系统验证信息合法性，生成用户账户并保存。
    用户登录：用户输入账户名和密码，系统验证账户密码，登录成功后跳转到用户中心。
商品展示和搜索
    商品列表展示：系统从数据库中获取商品列表并展示，用户可以进行商品分类和排序。
    商品搜索：用户输入关键词进行商品搜索，系统根据关键词从数据库中获取商品列表并展示。
……

在这时，我们就可以引导 AI 生成到 API 粒度：

| API名称 | 请求方法 | 请求路径 | 请求体 | 响应体 | 描述 | | --- | --- | --- | --- | --- | --- | | 创建商品 | POST | /api/products | 商品信息 | 创建的商品信息 | 创建一个新的商品 | | 获取商品列表 | GET | /api/products | 无 | 商品列表信息 | 获取所有的商品列表 | | 获取单个商品信息 | GET | /api/products/{id} | 无 | 单个商品信息 | 根据商品 ID 获取单个商品信息 | | 更新商品信息 | PUT | /api/products/{id} | 更新的商品信息 | 更新后的商品信息 | 根据商品 ID 更新商品信息 | | 删除商品 | DELETE | /api/products/{id} | 无 | 无 | 根据商品 ID 删除商品信息 |

也可以生成代码，甚至于在上下文足够强大的时候，也是能够直接运行和自动优化的。

Prompt