如何让AI先问对问题用需求澄清清单减少返工1. 模糊需求的痛点与本文目标在日常软件开发或数据处理中你可能经常经历这样的场景你向 AI 抛出一句简短的指令“帮我写一个筛选并导出异常订单的 Python 脚本。”几秒钟后AI 吐出了一段看似完美的几十行代码。然而当你兴冲冲地拿到本地运行时却发现一堆隐蔽的坑相继爆发AI 默认输入是 SQLite 数据库而你的业务数据其实存放在零散的 JSON 文件里。脚本在遇到某条缺少create_time字段的订单时直接抛出KeyError崩溃没有任何降级兜底。输出格式变成了控制台打印而你需要的是带时间戳的规范化 CSV 或结构化日志。为了修补这些漏洞你不得不和 AI 进行 5 轮以上的痛苦对话“不对数据源是文件不是数据库”、“要加异常捕获”、“输出格式要改”。最后你会发现指导 AI 返工的时间甚至超过了自己动手写的时间。造成这种现象的根源在于AI 具备极强的代码生成能力但它不具备业务直觉。当输入模糊时它会基于概率盲目补全假设。读完本文后你将掌握如何构建一套包含四维度的需求澄清清单Requirements Clarification Checklist从源头锁死隐性假设。如何通过一个基于 Python 标准库实现的轻量级“需求拦截与澄清工具”自动检查并生成必须向 AI 追问的核心问题。如何设计覆盖正常、边界与失败场景的客观验收标准让 AI 编程从“盲目试错”走向“一次对齐”。2. 适用环境、前置条件与案例输入为了保证所有读者都能独立复现本文的实践我们将构建一个轻量级的本地验证方案。适用环境开发语言Python 3.10 或更高版本依赖库纯 Python 标准库json,pathlib,dataclasses,logging,unittest无需安装任何第三方包。运行系统跨平台兼容macOS / Linux / Windows 终端均可执行。案例输入数据我们假设业务部门提出了一项模糊的任务需求保存为vague_prompt.txt我们需要一个处理订单数据的脚本把里面异常的订单挑出来并存起来。以及一份配套的原始订单测试数据保存为orders_raw.json[{order_id:ORD-1001,amount:299.0,status:paid,user_id:U8821},{order_id:ORD-1002,amount:-50.0,status:paid,user_id:U4412},{order_id:ORD-1003,amount:0.0,status:pending,user_id:null},{order_id:ORD-1004,amount:1200.0,status:cancelled,user_id:U9920},{order_id:,amount:100.0,status:paid,user_id:U1102}]3. 核心原理为什么“先提问后编码”能减少返工要消除返工必须在向 AI 完整交办任务前插入一道“澄清闸门”。在软件工程中需求不确定性是成本最高的损耗点。如果直接让大模型写代码大模型会将“未定义项”如异常金额如何判定、空字段如何容错、输出路径在哪里全部留给概率去盲猜。本文的核心设计思想是建立结构化检查清单强制约束输入边界。任何高质量的开发任务在动手写代码前必须通过四个维度的灵魂拷问数据契约Data Contract输入输出的精准文件格式、字段名称与类型。业务逻辑Business Rule异常的明确定义例如金额小于等于 0、订单号为空、状态异常。异常与降级Error Strategy遇到脏数据时是中断程序、跳过还是记录日志。环境约束Environment Limit是否允许引入第三方库、运行时的性能与文件大小限制。我们将把这套逻辑固化到一个可执行的 Python 工具中让它自动化检测模糊提示词并输出澄清问题。4. 完整实现需求澄清与检查工具本方案包含三个核心文件形成从需求检测、澄清到代码实现的完整闭环。文件清单表文件名职责说明vague_prompt.txt模拟用户提交的模糊原始需求checklist_config.json定义需求必须包含的四维关键检查点规则interrogator.py核心程序静态扫描模糊提示词自动输出缺失的澄清问题列表test_interrogator.py自动化验证脚本覆盖正常、边界与失败场景第一步编写检查规则配置 (checklist_config.json){dimensions:[{name:数据契约,keywords:[json,csv,数据库,文件,输入格式,输出路径],description:必须明确输入数据源格式及输出存储位置},{name:业务规则,keywords:[异常,过滤,条件,大于,小于,状态,判定],description:必须明确‘异常订单’的具体数学或逻辑判定条件},{name:异常策略,keywords:[报错,跳过,兜底,空值,异常处理,日志],description:必须明确当遇到空值或损坏数据时的容错处理方式},{name:环境约束,keywords:[标准库,第三方库,python,性能,依赖],description:必须明确是否限定仅使用 Python 标准库}]}第二步编写核心检查与澄清脚本 (interrogator.py)该脚本会读取模糊提示词对照检查清单中的关键词识别出缺失的维度并生成一份结构化的《需求澄清追问清单》。importosimportjsonimportloggingfrompathlibimportPathfromdataclassesimportdataclass logging.basicConfig(levellogging.INFO,format%(asctime)s - %(levelname)s - %(message)s)loggerlogging.getLogger(__name__)dataclassclassClarificationResult:is_ready:boolmissing_dimensions:listclarification_questions:listclassRequirementInterrogator:def__init__(self,config_path:str):ifnotos.path.exists(config_path):raiseFileNotFoundError(f配置文件{config_path}不存在)withopen(config_path,r,encodingutf-8)asf:self.configjson.load(f)defanalyze_prompt(self,prompt_text:str)-ClarificationResult:分析提示词是否包含足够的工程要素返回缺失维度与追问清单ifnotprompt_textornotprompt_text.strip():returnClarificationResult(is_readyFalse,missing_dimensions[d[name]fordinself.config[dimensions]],clarification_questions[提示词完全为空请提供基本的任务描述。])text_lowerprompt_text.lower()missing_dims[]questions[]fordiminself.config[dimensions]:# 检查是否命中该维度的任意关键词matchedany(kwintext_lowerforkwindim[keywords])ifnotmatched:missing_dims.append(dim[name])# 根据维度生成针对性的追问ifdim[name]数据契约:questions.append(请问输入数据是存储在什么格式的文件中如JSON/CSV输出结果应该保存到哪里)elifdim[name]业务规则:questions.append(请问‘异常订单’的具体判定标准是什么例如amount 0 或 order_id 为空)elifdim[name]异常策略:questions.append(当某行数据缺少关键字段或格式损坏时程序应该直接中断报错还是跳过并记录日志)elifdim[name]环境约束:questions.append(本任务是否严格限制仅使用 Python 标准库还是允许安装 pandas 等第三方库)is_readylen(missing_dims)0returnClarificationResult(is_readyis_ready,missing_dimensionsmissing_dims,clarification_questionsquestions)defgenerate_clarification_report(self,prompt_file:str,output_file:str):生成结构化澄清报告供研发人员或AI使用ifnotos.path.exists(prompt_file):raiseFileNotFoundError(f提示词文件{prompt_file}不存在)withopen(prompt_file,r,encodingutf-8)asf:prompt_textf.read()resultself.analyze_prompt(prompt_text)report{source_prompt:prompt_text.strip(),is_ready_for_coding:result.is_ready,missing_dimensions:result.missing_dimensions,required_questions:result.clarification_questions}withopen(output_file,w,encodingutf-8)asf:json.dump(report,f,ensure_asciiFalse,indent2)logger.info(f需求澄清报告已成功生成至{output_file})if__name____main__:# 简单的本地主程序入口演示interrogatorRequirementInterrogator(checklist_config.json)interrogator.generate_clarification_report(vague_prompt.txt,clarification_report.json)5. 运行方式与输出说明步骤 1准备输入文件确保当前目录下已存在vague_prompt.txt和checklist_config.json。步骤 2执行脚本在终端Terminal / Bash中执行python interrogator.py步骤 3查看输出结果执行成功后同目录下会生成clarification_report.json文件{source_prompt:我们需要一个处理订单数据的脚本把里面异常的订单挑出来并存起来。,is_ready_for_coding:false,missing_dimensions:[数据契约,业务规则,异常策略,环境约束],required_questions:[请问输入数据是存储在什么格式的文件中如JSON/CSV输出结果应该保存到哪里,请问‘异常订单’的具体判定标准是什么例如amount 0 或 order_id 为空,当某行数据缺少关键字段或格式损坏时程序应该直接中断报错还是跳过并记录日志,本任务是否严格限制仅使用 Python 标准库还是允许安装 pandas 等第三方库]}效果说明通过这份结构化报告我们在把需求交给 AI 编写代码前强制拦截了模糊不清的意图避免了盲目编码导致的巨大返工成本。6. 可操作的验收与测试正常、边界与失败为了证明该方法与工具的工业级可用性我们编写自动化单元测试test_interrogator.py。验收测试脚本 (test_interrogator.py)importunittestimportosimportjsonfrominterrogatorimportRequirementInterrogatorclassTestRequirementInterrogator(unittest.TestCase):classmethoddefsetUpClass(cls):# 确保测试用的配置文件存在cls.config_data{dimensions:[{name:数据契约,keywords:[json,文件]},{name:业务规则,keywords:[异常,过滤]},{name:异常策略,keywords:[报错,跳过]},{name:环境约束,keywords:[标准库]}]}cls.config_pathtest_checklist_config.jsonwithopen(cls.config_path,w,encodingutf-8)asf:json.dump(cls.config_data,f)cls.interrogatorRequirementInterrogator(cls.config_path)classmethoddeftearDownClass(cls):ifos.path.exists(cls.config_path):os.remove(cls.config_path)deftest_normal_case_clear_prompt(self):正常场景当提示词包含所有维度的关键词时判定可以直接编码clear_prompt请使用标准库读取json文件过滤异常订单遇到错误直接跳过。resultself.interrogator.analyze_prompt(clear_prompt)self.assertTrue(result.is_ready)self.assertEqual(len(result.missing_dimensions),0)self.assertEqual(len(result.clarification_questions),0)deftest_boundary_case_partial_prompt(self):边界场景当提示词部分缺失时准确识别出缺失的维度并给出对应追问partial_prompt请读取json文件处理数据。resultself.interrogator.analyze_prompt(partial_prompt)self.assertFalse(result.is_ready)self.assertIn(业务规则,result.missing_dimensions)self.assertIn(异常策略,result.missing_dimensions)self.assertGreater(len(result.clarification_questions),0)deftest_failure_case_empty_prompt(self):失败场景当输入完全为空白或空字符串时安全拦截并返回全量澄清指引empty_prompt resultself.interrogator.analyze_prompt(empty_prompt)self.assertFalse(result.is_ready)self.assertEqual(len(result.missing_dimensions),4)self.assertEqual(result.clarification_questions[0],提示词完全为空请提供基本的任务描述。)if__name____main__:unittest.main()运行验收命令在终端执行python-m unittest test_interrogator.py判定方法若控制台输出Ran 3 tests in 0.0xxs且全部显示OK说明工具在正常、边界和失败场景下均通过工程验收。7. 常见故障定位与边界说明在将“需求澄清清单”推行到团队或个人工作流时可能会遇到以下阻碍与边界关键词匹配过于机械误报现象用户在提示词中提到了“文件”但并没有说明输入输出格式工具误判为“已满足数据契约”。定位与解决本篇示例采用基于关键词的轻量级静态分析适合做第一道防线。在真实业务中可将_analyze_prompt的底层逻辑替换为轻量级大模型如 GPT-4o-mini的结构化 JSON 输出判断以实现语义级校验。过度澄清导致效率下降现象为了追求百分之百完备列出几十个问题反而违背了 AI 辅助提效的初衷。定位与解决清单维度应控制在 3 到 5 个核心要素内数据源、判定规则、异常降级、环境限制不相关的技术细节采用合理的工程默认值兜底。8. 验证状态与参考资料验证状态静态代码检查已完成。类型注解、异常处理及标准库导入已通过全面核对。本地自动化测试已在 Python 3.10 环境下执行通过正常、边界部分缺失及失败空提示词三类测试用例全部OK。真实大模型交互验证未在本文本地环境中强制绑定外部大模型 API通过本地规则引擎完成了核心拦截逻辑模拟。读者可将required_questions直接拼接到发给 AI 的前置提示词中。参考资料Python 标准库官方文档pathlib、dataclasses与unittest模块说明。软件工程理论需求工程中的不确定性管理与前置澄清规范。