[Paper] Prompts 融合需求与解决方案：从意图到实现

Source: arXiv - 2603.16348v1

概述

论文《Prompts Blend Requirements and Solutions: From Intent to Implementation》主张，使用 AI 编码助手的提示应被视为轻量级、可演化的需求工件，而不是临时的指令。通过从需求工程（RE）的视角来构建提示，作者提出了一种结构化的方法来捕获意图、架构方向以及具体的实现细节——为将人类意图转化为可靠、高质量的代码提供了路线图。

关键贡献

• 提示的概念模型，将提示拆分为三个相互关联的层次：
  1. 功能性与质量 – 纯粹的需求（软件必须做什么以及其非功能性目标）。
  2. 通用解决方案 – 指导 AI 的高层次架构或技术选择（例如，“使用 REST API”，“将数据存储在 PostgreSQL 中”）。
  3. 具体解决方案 – 具体的实现约束（例如，“使用 async/await”，“将响应大小限制为 256 KB”）。
• 对现有真实世界提示的实证评估，展示这三层在实践中自然出现（或缺失）的情况。
• 四个可检验的假设，关于提示演进及其对代码质量、验证工作量和用户行为的影响。
• 研究议程，概述验证这些假设并为“需求感知的提示工程”制定最佳实践指南所需的数据集、语料库分析技术和受控实验。

方法论

1. 模型推导 – 作者综合经典需求工程（需求捕获、验证、演化）和近期 AI‑辅助编码文献的概念，构建了一个三层提示分类法。
2. 提示语料库检查 – 对一组精选的公开可用提示（例如来自 GitHub Copilot、ChatGPT 代码生成讨论）进行人工标注，以识别每个组件的存在。
3. 假设形成 – 在标注中观察到的模式（例如提示随时间变得更具体）激发了关于提示动态及其结果的四个假设。
4. 验证路线图 – 论文勾勒出混合方法计划：大规模挖掘提示‑代码对，统计分析代码质量指标，以及让开发者在迭代细化提示的过程中记录其验证活动的用户研究。

该方法保持足够的高层次，使开发者无需深厚的需求工程专业知识即可理解，同时为未来的实证工作提供了具体的框架。

Results & Findings

• 组件存在性： 大多数真实世界的提示已经包含了这三层的片段，但分布不均。功能/质量陈述在早期提示中占主导，而具体的解决方案细节通常只在第一次 AI 生成的草稿之后出现。
• 演化趋势： 初步观察表明，提示会自然倾向于更具体——开发者往往在看到 AI 的初始输出后添加约束条件。
• 验证信号： 明确提及验证步骤的提示（例如 “为边界情况包含单元测试”）与生成代码的下游测试覆盖率更高相关。
• 质量关联性： 初步证据显示，包含所有三种组件的提示能够产生更少 lint 错误且更好遵循声明的非功能需求（例如性能提示）的代码。

这些发现支持了将提示视为不断演进的需求工件可以提升 AI 生成软件的忠实度的直觉。

Practical Implications

• Prompt‑First Design Workflow: 团队可以在调用 AI 助手之前采用轻量级的“提示规范”步骤，确保功能目标、架构方向和关键约束提前捕获。
• Tooling Enhancements: IDE 插件可以展示三窗格提示编辑器（需求 | 通用方案 | 具体方案），并在缺少某一层时发出警告，推动开发者编写更完整的提示。
• Quality Assurance Integration: 通过在提示中直接嵌入验证线索（例如 “为边界条件生成测试”），开发者可以自动化部分验证过程，降低手动 QA 工作量。
• Onboarding & Training: 新员工可以将提示工程视为需求工程技能进行学习，快速提升利用 AI 助手的能力，避免反复试错。
• Metrics for Prompt Maturity: 组织可以跟踪提示演进指标（如具体化迭代次数），将其作为开发严谨性的代理指标，类似于需求工程团队监控需求波动。

总体而言，该模型提供了传统软件工程实践与新兴 AI 驱动编码范式之间的务实桥梁。

限制与未来工作

• 数据集范围： 初始提示语料库相对较小且偏向公开共享的示例；更广泛的工业数据集可能会揭示不同的模式。
• 标注主观性： 确定“通用”与“特定”解决方案要素可能存在歧义，可能影响可重复性。
• 因果主张： 观察到的提示完整性与代码质量之间的相关性尚未证明因果关系；需要进行受控实验。
• 用户多样性： 关于用户特征（经验水平、领域知识）如何影响提示演化的假设仍未经过检验。

未来工作将聚焦于大规模挖掘提示‑代码日志、严格的用户研究以检验四个假设，以及开发原型工具，将三层提示模型在日常开发环境中实现。

作者

• Shalini Chakraborty
• Jan-Philipp Steghöfer

论文信息

• arXiv ID: 2603.16348v1
• Categories: cs.SE
• Published: 2026年3月17日
• PDF: 下载 PDF