师否
返回博客

AI编程实战：从JSON数据到代码的完整工程化流程

2026年9月11日9 分钟
数据清洗Prompt工程AI辅助编程Node.js工程规范

danci 项目（三）：从 JSON 数据到 AI Coding，真实项目里的数据清洗、Prompt 和工程规范

在真实的软件开发项目中，引入 AI 辅助编程（AI Coding）绝非简单地调用一个 API。它是一套涉及数据预处理、指令工程和团队协作规范的系统性工程。本文将以 danci 项目的实践为例，分享我们如何将一份原始的 JSON 词库数据，通过层层加工，最终转化为 AI 能理解并高效编码的“燃料”。

一、起点：原始 JSON 数据与问题

项目的起点是一份包含单词信息的 JSON 文件。其结构清晰，但存在一些“不完美”之处：

  1. 数据冗余与格式不一：部分字段在不同条目中格式不统一，有些数据存在缺失。
  2. 缺乏上下文：对于 AI 而言，孤立的 JSON 键值对难以直接转化为有意义的代码逻辑。例如，"wordType": "verb" 需要对应具体的 TypeScript 类型定义和 UI 渲染逻辑。
  3. 噪声信息：部分字段可能包含对最终代码生成无直接帮助的元数据或备注。

直接将这份原始数据抛给 AI（无论是作为 Prompt 上下文还是训练样本）都无法得到精准的代码。因此，数据清洗是必经的第一步。

二、核心：数据清洗与知识提炼

我们的目标不仅是清洗，更是提炼。我们编写了一套 Node.js 脚本，负责：

  • 标准化：统一 wordType、pronunciation 等字段的格式与枚举值。
  • 补全与过滤：根据业务规则，填充缺失的默认值，并移除对生成代码无影响的冗余字段。
  • 结构化转换：将扁平化的 JSON 转换为更贴近代码数据模型的嵌套结构。例如，将 "tags": ["CET4", "academic"] 转换为 { level: "CET4", category: "academic" }。

清洗后的数据变得更加“纯净”和“结构化”，为后续的 Prompt 设计奠定了基础。这个过程本身就是一个 SDD 文档驱动开发实战 的微型体现：用明确的数据规范指导后续的代码生成。

三、关键：Prompt 工程的设计与迭代

清洗好的数据需要通过 Prompt 这座桥梁传递给 AI。这里的 Prompt 设计是工程化的，而非随意的聊天。我们将其分为几个层次：

  1. 系统提示 (System Prompt)：定义 AI 的角色（如“一个精通 React 和 TypeScript 的前端开发者”）、编码风格和必须遵守的工程规范（如使用特定的状态管理库、遵循 ESLint 规则）。
  2. 上下文注入 (Context Injection)：将清洗后、结构化的 JSON 数据片段作为上下文，直接注入到 Prompt 中。例如：“请根据以下单词数据结构，生成一个 React 组件……”
  3. 任务指令 (Task Instruction)：清晰、具体地描述需要生成的代码目标。指令会根据生成组件、编写单元测试、添加类型定义等不同任务而变化。
  4. 示例学习 (Few-shot Learning)：提供 1-2 个高质量的、符合规范的代码示例，让 AI 学习我们期望的输出格式和风格。

设计 Prompt 的过程是持续迭代的。我们需要像调试代码一样调试 Prompt：观察 AI 的输出，分析不足（如类型错误、逻辑偏差），然后调整 Prompt 中的措辞、结构或提供的示例，直到输出稳定、可靠。这与确保 Agent 插件可靠落地 所需的工程化思维是一脉相承的。

四、保障：工程规范与持续集成

为了不让 AI 生成的代码成为“混乱之源”，严格的工程规范是必不可少的保障。

  • 代码规范自动化：集成 ESLint、Prettier，并通过 Git Hooks 在提交前自动格式化和检查 AI 生成的代码，确保风格统一。
  • 类型安全：AI 生成的 TypeScript 代码必须通过严格的类型检查。我们通过完善接口定义和类型守卫，构建了安全的“代码护栏”。
  • 测试覆盖：要求并验证 AI 为关键逻辑生成的单元测试，将测试覆盖率作为评估生成代码质量的重要指标。
  • 代码审查流程：AI 生成的代码必须经过与人工代码相同的 Code Review 流程。审查者不仅关注功能，更关注其是否符合项目架构、是否引入了不必要的复杂性。

将这一套数据清洗、Prompt 工程和规范审查的流程自动化、集成到开发流水线中，就形成了我们内部的 AI Coding 工作流。这显著提升了将设计稿或数据结构转化为前端页面的效率和一致性。

总结

从 danci 项目的实践看，成功的 AI Coding 依赖于三个支柱：

  1. 高质量的数据输入：通过自动化脚本完成从原始数据到结构化上下文的清洗与转换。
  2. 精心设计的 Prompt 系统：将任务、上下文、规范和示例有机结合，引导 AI 生成精准代码。
  3. 完备的工程化体系：用现有的开发规范和工具链来约束、验证和集成 AI 的产出，确保其可维护、可协作。

AI 不是魔法，而是强大的工具。只有将其嵌入到严谨的工程实践流程中，才能在真实项目中持续、可靠地释放其生产力。

注：本文流程中对前端组件生成的关注，也涉及到 用Lottie实现精准动效控制 等具体前端工程化问题。完整的 AI Coding 实践，是对整个开发生命周期的辅助与增强。