Lovable 提示词工程指南
这篇 Prompt 教程基本涵盖了我在开发和实践中遇到的所有场景,也融合了跟很多朋友交流后总结的技巧。可以说是 AI Coding 的最小必要技能集——不多不少,刚刚好够用。
强烈推荐给各位,能实实在在提升 AI Coding 的效率和质量。看完就能上手,不用再走弯路。
Prompting 1.1 - Lovable 提示词工程指南
温馨提示: 为了帮助您充分利用 Lovable,我们汇编了一系列提示词策略和方法。这些内容来自我们团队的经验以及社区成员的分享。由于 Lovable 依赖大型语言模型(LLMs),有效的提示词策略能显著提高其效率和准确性。
什么是提示词?
提示词(Prompting) 指的是你给 AI 系统执行任务的文本指令。在 Lovable(一个 AI 驱动的应用构建器)中,提示词是你”告诉” AI 该做什么的方式——从创建 UI 到编写后端逻辑。
有效的提示词至关重要,因为 Lovable 使用大型语言模型(LLMs),清晰、精心设计的提示词能大大提高 AI 构建应用的效率和准确性。
简而言之:更好的提示词带来更好的结果。
为什么提示词很重要
大多数人认为提示词只是向 AI 输入一个请求然后期待最好的结果——事实并非如此。
平庸的 AI 响应和让 AI 为你构建整个工作流程之间的差异,归根结底在于你如何提示。
无论你是开发者还是非技术人员,掌握 Lovable 中的提示词工程都能帮助你:
- 自动化重复任务 - 通过精确指示 AI 要做什么
- 更快地调试 - 利用 AI 生成的见解和解决方案
- 构建和优化工作流程 - 一旦正确引导,让 AI 处理繁重的工作
理解 AI 如何思考
与传统编程不同,使用 AI 需要清晰地沟通你的意图。
驱动 Lovable 的大型语言模型(LLMs)不会像人类那样”理解”——它们基于训练数据中的模式预测输出。
这对你应该如何提示有重要意义:
提供上下文和细节
AI 模型除了你提供的内容外,没有常识或隐含上下文。始终提供相关背景或需求。
❌ 不好: “构建一个登录页面”
✅ 好: “使用 React 创建一个登录页面,包含邮箱/密码认证和 JWT 处理,使用 Supabase 进行认证。”
明确指令和约束
永远不要假设 AI 会推断你的目标。如果你有约束或偏好,请说明它们。
AI 会字面上遵循你的指令——模糊性可能导致不想要的结果或 AI”幻觉”(编造信息)。
结构很重要(顺序和强调)
由于 transformer 架构,模型特别关注提示词的开头和结尾。
利用这一点:
- 将最关键的细节或请求放在开头
- 必要时在结尾重申任何绝对要求
- 保持提示词聚焦,必要时刷新上下文
了解模型的局限
- AI 的知识来自训练数据
- 它无法知道最近的事件或你未提供的专有信息
- 即使在猜测时它也会试图听起来很自信(导致幻觉)
- 对于事实性查询,始终提供参考文本或数据
核心提示词原则:C.L.E.A.R. 框架
优秀的提示词遵循一套简单的原则。记住它们的便捷方法是 CLEAR:
C - 简洁 (Concise)
清晰直达要点。多余的废话或模糊的语言会让模型困惑。
❌ 不好: “你能写一些关于科学主题的东西吗?”
✅ 好: “写一篇 200 字的摘要,关于气候变化对沿海城市的影响。”
关键要点:
- 避免填充词
- 追求精确和简洁
- 如果一个细节没有指导意义,它就是干扰
L - 逻辑 (Logical)
以循序渐进或结构良好的方式组织你的提示词。
❌ 不好: “给我构建一个用户注册功能,还要显示一些使用统计。”
✅ 好:
1 | 首先,使用 Supabase 实现一个包含邮箱和密码的用户注册表单。 |
关键要点:
- 将复杂请求分解为有序步骤或要点
- 分离关注点
- 逻辑流程确保模型系统地处理每个部分
E - 明确 (Explicit)
准确说明你想要什么和不想要什么。
❌ 不好: “告诉我关于狗的事。” (太开放性)
✅ 好: “列出关于金毛寻回犬的 5 个独特事实,用要点形式。”
关键要点:
- 如果某事重要,拼写出来
- 提供格式或内容的示例
- 说明期望的输出风格
- 把 AI 当作初学者:不要假设任何事情对它来说是显而易见的
A - 适应 (Adaptive)
不要满足于第一个答案——提示词可以迭代优化。
示例:
1 | "你给出的解决方案缺少认证步骤。请在代码中包含用户认证。" |
关键要点:
- 如果初始输出偏离目标,调整你的方法
- 在后续提示中澄清指令或指出错误
- 通过迭代引导模型获得更好的结果
- 你甚至可以要求 AI 如何改进提示词本身(元提示)
R - 反思 (Reflective)
在每次 AI 交互后花时间回顾什么有效、什么无效。
关键要点:
- 注意哪些提示词措辞获得了好结果
- 注意哪些导致了混乱
- 在复杂会话后,可以要求 AI 总结最终解决方案或推理
- 建立持续改进的 AI 沟通循环
提示词的四个级别
有效的提示词是一项随着实践而增长的技能。这里概述了四个级别的提示词掌握:
级别 1:结构化”训练轮”提示
当你刚开始或处理非常复杂的任务时,使用标记结构。
格式:
1 | Context: [AI 的背景或角色设置] |
示例:
1 | Context: 你是一位世界级的 Lovable AI 编码助手 |
级别 2:对话式提示
随着你越来越熟练,你可以更自然地写作,类似于向同事解释任务。
关键: 在没有正式标签的情况下保持清晰和完整。
级别 3:元提示 (Meta Prompting)
要求 AI 帮助你改进提示词或计划。
示例:
1 | "我试图让你构建一个用户仪表板,但结果不符合我的需求。 |
用途:
- 当输出偏离基准时
- 优化复杂的提示词
- 学习更好的提示技巧
级别 4:反向元提示 (Reverse Meta Prompting)
在任务完成后使用 AI 来总结或记录发生的事情。
示例:
1 | "总结我们刚刚解决的认证问题:根本原因是什么,我们采取了什么步骤来修复它? |
用途:
- 调试和知识捕获
- 创建可重用的解决方案模板
- 学习和记录最佳实践
高级提示词技术
零样本 vs 少样本提示
零样本提示 (Zero-Shot)
在没有示例的情况下要求模型执行任务。
示例:
1 | "将以下句子翻译成西班牙语:'我正在学习编码。'" |
特点:
- 高效
- 适用于常见或描述清楚的任务
- 依赖模型的一般训练
少样本提示 (Few-Shot)
在提示词中提供几个示例或演示。
示例:
1 | 将以下句子格式化为JSON: |
特点:
- 显著提高特定格式的输出质量
- 通过示例教学
- 适用于不寻常或特定格式的任务
管理幻觉和确保准确性
AI”幻觉”是模型自信地编造不正确信息的时刻。减少幻觉的策略:
1. 提供基础数据
在 Lovable 中,始终利用项目的知识库:
- 包含项目需求文档(PRD)
- 用户流程
- 技术栈详情
- UI 设计指南
- 后端规范
2. 提示中的引用
1 | "使用下面给出的 API 响应格式,解析用户对象: |
3. 要求逐步推理
1 | "在给出最终代码之前解释你的解决方案方法。 |
4. 指示诚实
1 | "如果你不确定某个事实或正确的代码,不要编造—— |
5. 迭代验证
1 | "确认上述代码遵循需求,并解释任何可能不符合规范的部分。" |
利用模型洞察
聊天模式 vs 默认模式
聊天模式:
- 头脑风暴
- 讨论设计决策
- 调试分析
- 不会直接修改代码
默认模式:
- 执行更改
- 编写代码
- 创建组件
- 直接应用到项目
推荐工作流:
1 | 1. 在聊天模式中讨论和规划 |
令牌长度和响应
- 对于大型输出(整个模块),分解为更小的提示
- 一次生成一个函数的代码
- 注意截断警告
格式和代码偏好
1 | "输出代码以 markdown 格式" |
额外的提示词技巧
从坚实的知识库开始
在编写提示词之前,设置项目的知识库:
- 项目需求(PRD)
- 用户流程
- 技术栈细节
- UI 设计指南
- 后端细节
示例提示:
1 | "参考项目知识库中的 PRD,特别是'不在范围内'部分, |
具体明确,避免含糊
❌ 含糊: “让页面看起来更好”
✅ 明确: “增加主标题的字体大小到 48px,使用粗体,颜色改为深蓝色(#1a365d)”
增量提示
不要这样做:
1 | "构建一个完整的电商应用,包括产品列表、购物车、 |
应该这样做:
1 | 1. "首先创建产品列表页面" |
包含约束和需求
1 | Constraints: |
避免措辞歧义
模糊: “添加一个模态框”
- 哪种模态框?确认?表单?信息?
清晰: “添加一个确认删除模态框,包含’取消’和’确认’按钮”
注意你的语气和礼貌
虽然不会改变功能,但礼貌的语气可以帮助:
1 | "请创建一个登录表单,包含邮箱和密码字段。 |
利用格式优势
使用编号步骤或要点:
1 | 请按照以下步骤操作: |
使用图像提示
Lovable 允许图像上传:
方法 1 - 简单方式:
1 | [上传设计图] |
方法 2 - 详细方式:
1 | [上传设计图] |
提供精确的编辑指令
使用选择功能:
- 在编辑器中选择/高亮组件
- 然后提示:”更改此组件的…”
明确指定文件:
1 | "在 Header 组件中,将注册按钮的文本更改为'开始' |
锁定文件(变通方法)
1 | "在进行更改时,不要修改以下文件: |
设计和 UI 调整
纯视觉更改:
1 | "使登录按钮变蓝(#3b82f6)并放大20%, |
响应式设计:
1 | "优化着陆页以适配移动设备: |
重构和优化代码
强调行为不变:
1 | "重构代码以提高清晰度和效率, |
先要求计划:
1 | "扫描 utils/ 文件夹并建议代码结构或重复的改进。 |
分阶段进行:
1 | 1. "重构状态管理逻辑" |
使用 AI 辅助调试
提供完整的错误上下文:
1 | "这是错误信息: |
使用对话式调试:
1 | "修复没有起作用。状态在运行时仍然是 undefined。 |
何时(以及何时不)涉及 AI
直接手动操作的情况:
- 更改单个文本标签
- 调整一个 padding 值
- 修改颜色
- 简单的格式调整
使用 AI 的情况:
- 复杂逻辑
- 样板代码生成
- 多步操作
- 不确定的任务
- 需要研究的功能
在不同工具中应用这些策略
在 Lovable 的构建器中
推荐工作流:
1 | 1. 开始: |
使用聊天模式:
1 | [在聊天模式中] |
与 Make.com 或 n8n 集成
为自动化生成集成代码:
1 | "创建一个 webhook 端点来接收来自 Make.com 的表单提交。 |
边缘情况和外部集成
Stripe 集成示例:
1 | "使用 Stripe Checkout API (v3) 为用户设置订阅计费: |
GitHub 集成示例:
1 | "实现 GitHub OAuth 登录: |
总结
关键要点
- 强大的提示在于清晰、结构和上下文
- 无论是构建功能还是集成服务,都要描绘清晰的图景
- 从结构化开始,逐步演变
- 新手:使用”训练轮”格式(Context/Task/Guidelines/Constraints)
- 熟练后:采用更自然的对话风格
- 使用元技术持续改进
- 元提示:让 AI 帮助改进你的提示
- 反向元提示:让 AI 总结学到的东西
- 实践造就完美
- 通过实践,AI 会感觉像你开发团队的延伸
- 你将自然地获得你需要的确切输出
记住 C.L.E.A.R. 框架
- Concise - 简洁:清晰直达要点
- Logical - 逻辑:有序组织请求
- Explicit - 明确:准确说明需求
- Adaptive - 适应:迭代优化
- Reflective - 反思:学习和改进
最佳实践速查
DO - 应该做:
- 提供详细的上下文和约束
- 使用具体的示例
- 分解复杂任务为步骤
- 迭代优化
- 利用知识库
- 明确你想要和不想要什么
- 在聊天模式中先讨论再实施
DON’T - 不要做:
- 过度依赖 AI 处理琐碎任务
- 假设 AI 能读懂你的想法
- 使用模糊或含糊的语言
- 在一个提示中要求过多
- 忘记测试 AI 的输出
- 忽略错误消息和警告
附录:快速参考提示模板
基础任务模板
1 | 创建 [组件/功能]: |
调试模板
1 | 我遇到了这个问题: |
重构模板
1 | 重构 [组件/模块]: |
UI 调整模板
1 | 调整 [组件] 的UI: |