对比测评:为什么AI编程工具需要 Rules 能力?

简介: 通义灵码Project Rules是一种针对AI代码生成的个性化规则设定工具,旨在解决AI生成代码不精准或不符合开发者需求的问题。通过定义编码规则(如遵循SOLID原则、OWASP安全规范等),用户可引导模型生成更符合项目风格和偏好的代码。例如,在使用阿里云百炼服务平台的curl调用时,通义灵码可根据预设规则生成Java代码,显著提升代码采纳率至95%以上。此外,还支持技术栈、应用逻辑设计、核心代码规范等多方面规则定制,优化生成代码的质量与安全性。

通义灵码 Project Rules


在开始体验通义灵码 Project Rules 之前,我们先来简单了解一下什么是通义灵码 Project Rules?
大家都知道,在使用 AI 代码助手的时候,有时候生成的代码不是自己想要的,或者说生成的代码采纳后还需要人工修改一部分。这其实就是当模型对于你的描述不能正确理解,或者说理解了你的描述,但是没有适当的方案时,大模型会根据自己的规则来生成相似的自己认为对的代码,这就是我们常说的模型幻觉。
那么当模型生成代码不精准的时候,是否有什么手段可以硬控 AI ,根据你的代码风格和偏好生成代码和回复?现在有了,你可以感受一下通义灵码 Project Rules 的效果。


举个例子


这里我们来举个小例子。比如我想要使用阿里云百炼服务平台的模型在自己的项目中引入一个 DeepSeek 调用,那么我就可以拿到阿里云百炼服务平台的 curl 的调用方法


复制 curl 的调用内容放在通义灵码的对话框中,输入我想要的内容


curl -X POST "https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "deepseek-r1",
    "input":{
        "messages":[      
            {
                "role": "user",
                "content": "你是谁?"
            }
        ]
    },
    "parameters": {
        "result_format": "message"
    }
}' 生成java代码


以下是通义灵码为我们生成的使用 Java 调用 DeepSeek 的 API 接口的调用工具类:



这里通过截图我们可以看到,生成的代码基本上没有注释,生成的效果功能上稍作改动就可以用,采纳率 95% 以上。


下面我们再来为通义灵码定义 AI 编码规则,定义完 AI 编码规则之后再来看一下基于上面的 curl 调用方法生成的 Java 代码的效果。


环境准备


在配置通义灵码 Project Rules AI 编码规则之前,首先需要我们确认一下我们的通义灵码插件版本要在 v2.1.5 及以上。



规则配置


这里我们在 IDEA 开发工具的 setting 弹框中找到【Lingma】,勾选启用并点击【编辑】。



在编辑页面输入具体的编码规则 Project Rules ,这里的规则我们直接使用官方提供的 Java 编码规则,具体规则内容的 markdown 语法格式如下:


你是一个资深的 java 专家,请在开发中遵循如下规则:


  • 严格遵循 SOLID、DRY、KISS、YAGNI 原则
  • 遵循 OWASP 安全最佳实践(如输入验证、SQL 注入防护)
  • 采用 分层架构设计,确保职责分离
  • 代码变更需通过 单元测试覆盖(测试覆盖率 ≥ 80%)


技术栈规范


技术栈要求:


1)框架:Spring Boot 3.x + Java 17
2)依赖:

  • 核心:Spring Web, Spring Data JPA, Lombok
  • 数据库:PostgreSQL Driver 或其他关系型数据库驱动
  • 其他:Swagger (SpringDoc), Spring Security (如需权限控制)



应用逻辑设计规范


分层架构原则


层级 职责 约束条件
Controller 处理 HTTP 请求与响应,定义 API 接口 - 禁止直接操作数据库
- 必须通过 Service 层调用
Service 业务逻辑实现,事务管理,数据校验 - 必须通过 Repository 访问数据库
- 返回 DTO 而非实体类(除非必要)
Repository 数据持久化操作,定义数据库查询逻辑 - 必须继承 JpaRepository
- 使用 @EntityGraph 避免 N+1 查询问题
Entity 数据库表结构映射对象 - 仅用于数据库交互
- 禁止直接返回给前端(需通过 DTO 转换)


核心代码规范


1. 实体类(Entity)规范


@Entity
@Data // Lombok 注解
public class User {
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;
    @NotBlank(message = "用户名不能为空")
    @Size(min = 3, max = 50)
    private String username;
    @Email
    private String email;
    // 关联关系使用懒加载
    @ManyToOne(fetch = FetchType.LAZY)
    private Department department;
}


2. 数据访问层(Repository)规范


public interface UserRepository extends JpaRepository<User, Long> {
    // 命名查询
    Optional<User> findByUsername(String username);
    // 自定义 JPQL 查询
    @Query("SELECT u FROM User u JOIN FETCH u.department WHERE u.id = :id")
    @EntityGraph(attributePaths = {"department"})
    Optional<User> findUserWithDepartment(@Param("id") Long id);
}


3. 服务层(Service)规范


@Service
public class UserServiceImpl implements UserService {
    @Autowired
    private UserRepository userRepository;
    @Transactional
    public ApiResponse<UserDTO> createUser(UserDTO dto) {
        // 业务逻辑实现
        User user = User.builder().username(dto.getUsername()).build();
        User savedUser = userRepository.save(user);
        return ApiResponse.success(UserDTO.fromEntity(savedUser));
    }
}


4. 控制器(RestController)规范


@RestController
@RequestMapping("/api/users")
public class UserController {
    @Autowired
    private UserService userService;
    @PostMapping
    public ResponseEntity<ApiResponse<UserDTO>> createUser(@RequestBody @Valid UserDTO dto) {
        try {
            ApiResponse<UserDTO> response = userService.createUser(dto);
            return ResponseEntity.ok(response);
        } catch (Exception e) {
            return GlobalExceptionHandler.errorResponseEntity(e.getMessage(), HttpStatus.BAD_REQUEST);
        }
    }
}


数据传输对象(DTO)规范


// 使用 record 或 @Data 注解
public record UserDTO(
    @NotBlank String username,
    @Email String email
) {
    public static UserDTO fromEntity(User entity) {
        return new UserDTO(entity.getUsername(), entity.getEmail());
    }
}


全局异常处理规范


1. 统一响应类(ApiResponse)


@Data
@NoArgsConstructor
@AllArgsConstructor
public class ApiResponse<T> {
    private String result; // SUCCESS/ERROR
    private String message;
    private T data;
    // 工厂方法
    public static <T> ApiResponse<T> success(T data) {
        return new ApiResponse<>("SUCCESS", "操作成功", data);
    }
    public static <T> ApiResponse<T> error(String message) {
        return new ApiResponse<>("ERROR", message, null);
    }
}


2. 全局异常处理器(GlobalExceptionHandler)


@RestControllerAdvice
public class GlobalExceptionHandler {
    @ExceptionHandler(EntityNotFoundException.class)
    public ResponseEntity<ApiResponse<?>> handleEntityNotFound(EntityNotFoundException ex) {
        return ResponseEntity.status(HttpStatus.NOT_FOUND)
            .body(ApiResponse.error(ex.getMessage()));
    }
    @ExceptionHandler(MethodArgumentNotValidException.class)
    public ResponseEntity<ApiResponse<?>> handleValidationErrors(MethodArgumentNotValidException ex) {
        String errorMessage = ex.getBindingResult()
            .getFieldErrors()
            .stream()
            .map(error -> error.getField() + ": " + error.getDefaultMessage())
            .collect(Collectors.joining(", "));
        return ResponseEntity.badRequest().body(ApiResponse.error(errorMessage));
    }
}


安全与性能规范


1. 输入校验:

  • 使用 @Valid 注解 + JSR-303 校验注解(如 @NotBlank, @Size
  • 禁止直接拼接 SQL 防止注入攻击


2. 事务管理

  • @Transactional 注解仅标注在 Service 方法上
  • 避免在循环中频繁提交事务


3. 性能优化

  • 使用 @EntityGraph 预加载关联关系
  • 避免在循环中执行数据库查询(批量操作优先)


代码风格规范


1. 命名规范:

  • 类名:UpperCamelCase(如 UserServiceImpl
  • 方法/变量名:lowerCamelCase(如 saveUser
  • 常量:UPPER_SNAKE_CASE(如 MAX_LOGIN_ATTEMPTS


2. 注释规范

  • 方法必须添加注释且方法级注释使用 Javadoc 格式
  • 计划待完成的任务需要添加 // TODO 标记
  • 存在潜在缺陷的逻辑需要添加 // FIXME 标记


3. 代码格式化

  • 使用 IntelliJ IDEA 默认的 Spring Boot 风格
  • 禁止手动修改代码缩进(依赖 IDE 自动格式化)


部署规范


部署规范

  • 生产环境需禁用 @EnableAutoConfiguration 的默认配置
  • 敏感信息通过 application.properties 外部化配置
  • 使用 Spring Profiles 管理环境差异(如 dev, prod


扩展性设计规范


1. 接口优先:服务层接口(UserService)与实现(UserServiceImpl)分离
2. 扩展点预留:关键业务逻辑需提供 StrategyTemplate 模式支持扩展3. 日志规范:使用 SLF4J 记录日志(禁止直接使用 System.out.println核心操作需记录 INFO 级别日志,异常记录 ERROR 级别


在增加了 rules 规则之后,我们再来执行一次上面基于 curl 请求生成 java 调用代码的需求。执行之后,我们可以看到对第一次生成的 DeepSeekClient.java 类进行了按照 rules 规则的变更:




可以看到已经按照我们添加的异常处理规则以及编码规范进行了优化。

编辑后的灵码规则文件的的位置在项目的具体目录位置如图,如果没有看到的话刷新一下磁盘就看到了:



总的来说,通义灵码 IDE 插件提供 AI 规则的设置功能,开发者可以通过设定个性化规则提示词,在智能问答和 AI 程序员中,引导模型生成更为精准、符合个人偏好或项目风格的代码与回答。

目录
打赏
0
37
39
1
12729
分享
相关文章
Crawl4AI:为大语言模型打造的开源网页数据采集工具
随着大语言模型(LLMs)的快速发展,高质量数据成为智能系统的关键基础。**Crawl4AI**是一款专为LLMs设计的开源网页爬取工具,可高效提取并结构化处理网页数据,突破传统API限制,支持JSON、HTML或Markdown等格式输出。
93 3
Crawl4AI:为大语言模型打造的开源网页数据采集工具
40.8K star!让AI帮你读懂整个互联网:Crawl4AI开源爬虫工具深度解析
Crawl4AI 是2025年GitHub上备受瞩目的开源网络爬虫工具,专为AI时代设计。它不仅能抓取网页内容,还能理解页面语义结构,生成适配大语言模型的训练数据格式。上线半年获4万+星标,应用于1200+AI项目。其功能亮点包括智能内容提取引擎、AI就绪数据管道和企业级特性,支持动态页面处理、多语言识别及分布式部署。技术架构基于Python 3.10与Scrapy框架,性能卓越,适用于AI训练数据采集、行业情报监控等场景。相比Scrapy、BeautifulSoup等传统工具,Crawl4AI在动态页面支持、PDF解析和语义分块方面更具优势
40.8K star!让AI帮你读懂整个互联网:Crawl4AI开源爬虫工具深度解析
分享一个非常实用的在线AI工具网站
在线工具网是一个包含AI工具、站长工具、开发人员工具、实用工具、AI助手,能够提供最新AI知识库、在线编码、正则表达式、加密解密、二维码生成、在线进制转换、JSON解析格式化、JavaScript、css、httml格式化/混淆/压缩、时间戳转换等免费在线AI工具平台。
98 34
揭秘 AI 编程工具的费用真相:2025 年开发者视角-优雅草卓伊凡
揭秘 AI 编程工具的费用真相:2025 年开发者视角-优雅草卓伊凡
45 1
揭秘 AI 编程工具的费用真相:2025 年开发者视角-优雅草卓伊凡
中国AI编码工具崛起:技术突围、生态重构与开发者新范式
中国AI编码工具如通义灵码、百度Comate等,正从西方产品的主导中突围。通过大模型精调、中文友好型理解及云原生赋能,构建差异化优势。这些工具不仅提升效率,还推动中国软件产业从使用者向标准制定者转变。然而,技术原创性、生态碎片化和开发者信任危机仍是挑战。未来目标不是取代现有工具,而是定义适合中国开发者的智能编码新范式。
79 23
通义灵码 vs. GitHub Copilot:中国AI编码工具的破局之道
全球AI编码工具形成“双极格局”,GitHub Copilot凭借先发优势主导市场,而通义灵码通过差异化路径突围。技术层面,通义灵码在中文语境理解、云原生绑定上展现优势;生态方面,Copilot依托GitHub开源生态,通义灵码则深耕阿里云企业协同场景;开发者心智战中,通义灵码以数据合规、本土化服务及定制化能力取胜。这场较量不仅是技术的比拼,更是生态逻辑与开发者需求的全面博弈,彰显中国AI编码工具“换道超车”的潜力。
122 18
对比测评:为什么AI编程工具需要 Rules 能力?
AI规则引导模型生成更为精准、符合个人偏好或项目风格的代码与回答。
Serverless MCP 运行时业界首发,函数计算让 AI 应用最后一公里提速
作为云上托管 MCP 服务的最佳运行时,函数计算 FC 为阿里云百炼 MCP 提供弹性调用能力,用户只需提交 npx 命令即可“零改造”将开源 MCP Server 部署到云上,函数计算 FC 会准备好计算资源,并以弹性、可靠的方式运行 MCP 服务,按实际调用时长和次数计费,欢迎你在阿里云百炼和函数计算 FC 上体验 MCP 服务。
171 30
演讲实录:中小企业如何快速构建AI应用?
AI时代飞速发展,大模型和AI的应用创新不断涌现,面对百花齐放的AI模型,阿里云计算平台大数据AI解决方案总监魏博文分享如何通过阿里云提供的大数据AI一体化平台,解决企业开发难、部署繁、成本高等一系列问题,让中小企业快速搭建AI应用。

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等