前面给大家介绍过很多AI编程工具，Claude code、codebuddy、Trae等等。
大家可能会想，AI编程工具？我又不是程序员，这东西跟我有啥关系 ？。
我想说不是的，大家每个人都用得上。
AI编程工具早已不是程序员的专属，它更应该被看作是我们每个人的“效率放大器” 。
AI编程工具应该成为我们每个人电脑上必备的软件 。无论是IDE、命令行工具还是什么，我们都不应该把它当成什么编程工具，应该当做一个效率工具。我们不需要会编程，会写代码，我们只需要清晰地表达清楚我们的需求是什么，让AI给我们解决就好。
接下来，我会用4个案例，跟大家说，我在日常工作是怎么用AI编程工具的：
一句话，将PDF批量转换为高清图片。
一句话，将上百张照片按“时间地点”智能重命名。
一个指令，实现文章图片自动上传云端并替换链接。
一次提问，让AI带你读懂软件的底层代码逻辑。
格式转换，比如pdf转成图片。
比如，我们现在下载到的发票大部分都是pdf格式，但是我们在保险理赔或者其他场景的时候，需要上传图片格式。这个时候，我们把pdf打开，一个个截图那可真是麻烦死了。
当然，网上有各种工具，那我们要不就得下载，要不就得上传，下载麻烦，上传数据不安全。
所以，我们可以在这里按住**Shift+右键**，打开终端或者Powershelll，打开claude code。
关于Claude code 的安装，可以看我这篇文章：
GLM-4.6 + Claude Code实战：从入门配置，到一个差点翻车的项目
我们输入：
claude --dangerously-skip-permissions ##跳过所有权限认证
大家自己刚开始用的话还是直接输入Claude比较好。预防万一，你不小心说错了话，他干了什么让你后悔的事儿。
然后我们输入：
帮我将文件夹中的pdf文件转换为图片的png格式的。分辨率高一些。输出到发票-图片文件夹中，图片命名和现有pdf文件名一样。
很快，他就把活干完了，从它输出的结果看，我们还可以让分辨率更好，现在只是300而已。
大家看看效果，我隐私信息打了码哈：
可以看到，它自己写了个python脚本，完成了这件事情。
python是一种编程语言。我们不需要知道它是什么，我们只要会用就行了 。
当然，如果你想安装python，那你可以直接给他说一句：
甚至，你都不需要会运行什么的，打开claude，给他说，帮我运行xx脚本 ，就完事儿了。
照片乱糟糟？AI帮你按“时间地点”自动整理 还有一个大家都有可能会用到的场景，批量重命名。
比如从手机、相机里导出一大堆照片，文件名全是 IMG_xxxx.JPG 或者 DSC_xxxx.JPG。
想找某张特定的照片（比如去年旅游在某个地标拍的），只能靠缩略图一张张猜，非常痛苦。
这个时候，假设，我们已经给claude code安装了高德的mcp服务，如果你没装，可以用下面的命令：
claude mcp add --transport sse amap "https://mcp.amap.com/sse?key=<your-api-key>"
key从高德开发者平台获取下，或者大家可以看我这篇文章的教程（在文章的最后部分）：
不止出行规划！看MCP+高德地图在信贷风控的新应用
当然，上面的mcp这次我只是用来校验结果是否正确的，这次其实并没有在脚本用到，但是key是用到了。大家也可以把下面的命令换掉，不要让他写脚本（数据量大还是建议用脚本方式）。
然后我们就输入：
将文件夹中的图片重命名，按照“年月日时分_地点”的格式进行命名。例如2018年10月1日_15时00_北京朝阳大悦城。地点更具经纬度信息，使用高德地图相关工具获取。
当然，你看着腻歪的话，也可以把文件夹内，让claude code整理一下.
图床切换，markdown图片自动上传阿里云 这里的背景是这样子的，我以前呢，喜欢用飞书写文章记东西。这样呢，飞书既是我的知识库，又是我的图床（就是保存图片的地方），飞书排版又好看，还大方，个人使用的话空间也很大。
但是有个不方便的点就在于，我想要发表到公众号或者其他平台的时候，就不行了，因为飞书不支持导出为markdown。
我很头疼，但是后来我发现了这个开源的工具，同时也是浏览器插件：
这东西超级好啊，但是唯一不好的，就是这个两个小时，但是这个两个小时的限制也不是工具限制的，是飞书限制的。
最最重要的是，即便是这样下载了markdown格式的飞书文档，也没办法直接在微信公众号用，因为各大平台，在上传的时候，都喜欢将图片下载到自己平台换成自己平台的图床（图片链接）。
而飞书这个，微信那边没办法导入。
所以我就寻思，我能不能自己通过脚本把图片下载下来，然后上传到我的阿里云的oss。
AI时代，想干就干嘛 。干中学。
我就直接在claude code中输入：
文件夹中是我的markdown文档，里面的图片链接是飞书的。帮我完成以下需求： 1. 扫描Markdown文件中的所有图片链接2. 下载这些图片（支持网络链接和本地文件）3. 上传到我的阿里云OSS4. 使用阿里云oss的连接替换原文件中的图片链接5. 保持Markdown格式不变6. 支持阿里云oss账户信息配置。7. 使用context7查询阿里云官方的sdk，避免重复造轮子。完成需求后，可以要求我提供阿里云oss的key等信息，再开始测试。
很快他就完成了第一个版本，当然，版本相对比较糙，所以后续我又增加了以下功能：
✅ 支持批量处理多个Markdown文件
✅ 支持网络图片和本地图片
✅ 自动备份原文件
✅ 智能去重，避免重复上传
✅ 支持多种图片格式（jpg, png, gif, webp等）
✅ 完整的错误处理和日志输出
✅ 可配置的上传参数
✅ 实时更新 ：每上传一个图片立即更新MD文件链接
✅ 重试机制 ：网络失败时自动重试（最多3次）
✅ 随机延迟 ：模拟真实用户行为，避免被反爽虫机制限制
✅ 容错性强 ：单个图片失败不影响其他图片处理。
基本满足我的使用了，这要是放在以前，我自己是肯定处理不了的。
在我理解看来，各大网站的逻辑，估计和我的这个小脚本差不太多，比如掘金，大家可以试试上传。我也开源了，大家需要的话自取。
开源地址 :https://github.com/Wangshixiong/markdown_image_replace
询问代码逻辑，学习产品逻辑 大家知道，我最近一直在研究dify，我之前也总结过一套dify开发节点的提示词，但是那个提示词是我让chatgpt综合网上各种信息帮我总结的。前几天，我突然就寻思，**Dify的代码节点是可以让AI直接生成代码的，所以他肯定有系统提示词啊，我为什么不研究一下**。
但是就我这个代码水平，100分之一的水晃荡，我也看不懂啊。可是我有工具啊。
这里我们可以下载Trae CN ，也就是他的国内版本，当前几乎所有的国内好模型，都可以在上面免费使用用。
打开以后，随便输入个简单的提示词：
dify的代码节点，可以使用大模型生成代码节点的代码，比如python，那这个代码节点的使用大模型生成的提示词是什么。
很快，他就给我找到了对应的代码文件和对应的提示词：
其实大概看一下这个文件，你会发现，基本上所有涉及到前端话术优化，代码优化等等的AI优化节点的提示词都在这里。下面还有js的说明，这里我用python比较多，我们就看Python的：
"You are an expert programmer. Generate code based on the following instructions:\n\n" "Instructions: {{INSTRUCTION}}\n\n" "Write the code in {{CODE_LANGUAGE}}.\n\n" "Please ensure that you meet the following requirements:\n" "1. Define a function named 'main'.\n" "2. The 'main' function must return a dictionary (dict).\n" "3. You may modify the arguments of the 'main' function, but include appropriate type hints.\n" "4. The returned dictionary should contain at least one key-value pair.\n\n" "5. You may ONLY use the following libraries in your code: \n" "- json\n" "- datetime\n" "- math\n" "- random\n" "- re\n" "- string\n" "- sys\n" "- time\n" "- traceback\n" "- uuid\n" "- os\n" "- base64\n" "- hashlib\n" "- hmac\n" "- binascii\n" "- collections\n" "- functools\n" "- operator\n" "- itertools\n\n" "Example:\n" "def main(arg1: str, arg2: int) -> dict:\n" " return {\n" ' "result": arg1 * arg2,\n' " }\n\n" "IMPORTANT:\n" "- Provide ONLY the code without any additional explanations, comments, or markdown formatting.\n" "- DO NOT use markdown code blocks (``` or ``` python). Return the raw code directly.\n" "- The code should start immediately after this instruction, without any preceding newlines or spaces.\n" "- The code should be complete, functional, and follow best practices for {{CODE_ LANGUAGE}}.\n\n""- Always use the format return {'result': ...} for the output.\n\n" "Generated Code:\n"
对应的中文提示词是：
你是一位专业的程序员。请根据以下指令生成代码： 指令: {{INSTRUCTION}} 请使用 {{CODE_LANGUAGE}} 编写代码。 请确保你满足以下要求： 1. 定义一个名为 'main' 的函数。 2. 'main' 函数必须返回一个字典 (dict)。 3. 你可以修改 'main' 函数的参数，但必须包含适当的类型提示。 4. 返回的字典应至少包含一个键值对。 5. 在你的代码中，你只能使用以下库： - json - datetime - math - random - re - string - sys - time - traceback - uuid - os - base64 - hashlib - hmac - binascii - collections - functools - operator - itertools 示例： def main(arg1: str, arg2: int) -> dict: return { "result": arg1 * arg2, } 重要提示： - 只提供代码，不包含任何额外的解释、注释或 markdown 格式。 - 不要使用 markdown 代码块 (``` 或 ``` python)。直接返回原始代码。 - 代码应紧随此指令之后开始，前面没有任何换行符或空格。 - 代码应该是完整的、可运行的，并遵循 {{CODE_ LANGUAGE}} 的最佳实践。- 输出结果请始终使用 `return {'result': ...}` 的格式。生成的代码：
这里，为了方便在Trae或者claude中使用，我对它又做了一些优化.
如果你的公司模型水平不是那么优秀，代码不高。这种不涉及敏感信息信息的代码节点，我理解可以尝试使用我下面总结出来的提示词。
如果你在AI编程的工具中使用可以用这个：
# 角色 (Role) 你是一位顶级的 Python 专家，专门编写简洁、高效、独立且符合生产环境标准的代码函数。 你的代码必须能在 Dify 代码节点中直接运行，无需任何外部依赖。 --- # 任务 (Task) 1、根据接收的 “具体任务指令 (Instruction)” 生成一段完整的 Python 代码。 该代码将在 Dify 自动化流程中独立执行，要求稳定、健壮、可复用。 2、将代码写入文件，脚本文件名字由你根据需求自行确定。 --- # 核心代码要求 (Core Rules) 1. **函数定义** - 必须定义一个名为 `main` 的函数，这是代码的唯一入口。 - 函数必须显式声明参数（不要使用 `**kwargs` ）； - 参数名称与类型应根据任务描述中出现的输入字段自动生成，例如： - 若任务输入包含 `text` 与 `count` ，则定义为： ```python def main(text: str, count: int) -> dict:
- 若任务输入为 `user_id` 与 `message`，则定义为：
def main (user_id: str , message: str ) -> dict : ``` - 所有参数必须包含类型提示 (Type Hints)。 2. **函数参数规则** - 参数命名应语义明确（如 `input_text`, `task_list`），不得使用模糊命名； - 若任务中提及的输入字段较多，请全部列入函数参数中； - 不得使用 `**kwargs`、`*args` 或全局变量读取输入。 3. **返回类型** - `main` 函数必须返回一个 `dict `； - 返回字典键名可根据任务语义命名； - 示例： ```python return {"summary" : summary_text}
异常处理 (Exception Safety)
主逻辑必须放在 try-except 块中；
出现异常时，需返回结构化错误信息，而非直接报错： except Exception as e: return {"error" : f"执行出错: {str (e)} " }
库使用限制 (Library Constraints) 仅可使用以下 Python 标准库模块：json, datetime, math, random, re, string, sys, time, traceback, uuid, os,base64, hashlib, hmac, binascii, collections, functools, operator, itertools。
输出格式要求 (Output Rules) 必须严格遵守以下规则：
🚫 只输出纯 Python 代码；
🚫 禁止使用 Markdown 代码块标记（如 python 或 ）；
🚫 禁止任何解释、说明或文字总结；
✅ 代码开头不得有空行或缩进；
✅ 函数与变量命名使用英文；
✅ 注释可以使用中文。
优秀示例 (Example) def main(text: str, count: int) -> dict:
如果你在前端的大模型对话窗口使用，比如kimi，最好是这个让他输出代码块，删掉提示词中的这个，然后把提示词改为代码块包裹的： ```markdown # 输出格式要求 (Output Rules) 必须严格遵守以下规则： - 🚫 只输出纯 Python 代码； - 🚫 禁止任何解释、说明或文字总结； - ✅ 代码开头不得有空行或缩进； - ✅ 函数与变量命名使用英文； - ✅ 注释可以使用中文。 --- # 优秀示例 (Example) ```python def main(text: str, count: int) -> dict: """ 示例：重复输入文本 count 次并返回合并结果。 """ try: result = (text + " ") * count return {"output": result.strip()} except Exception as e: return {"error": f"执行出错: {str(e)}"}
下面用`trae`示例(`IDE：Trae`，选择模型：`kimi k2 0905`），我们新建智能体，然后把提示词输入：   输入@选择对应智能体。 下面我们试一试，比如去除推理模型的think标签： ok，我们测试一下，一次成功。  这个1.9.1以后的版本应该是不需要了，之前的版本这个代码还是有用的： ```python import re def main(text: str) -> dict: """ 从输入文本中移除所有<think>标签及其包含的内容。 Args: text: 包含<think>标签的输入文本 Returns: dict: 包含处理后的文本 """ try: if not text: return {"cleaned_text": ""} # 使用正则表达式匹配所有<think>...</think>标签及其内容 # 支持多行内容和多个<think>标签 pattern = r'<think>.*?</think>' # 移除所有<think>标签及其内容 processed_text = re.sub(pattern, '', text, flags=re.DOTALL) # 清理可能产生的多余空行和空白字符 processed_text = re.sub(r'\n\s*\n', '\n\n', processed_text) # 清理多余空行 processed_text = processed_text.strip() # 移除首尾空白 return {"cleaned_text": processed_text} except Exception as e: return {"error": f"执行出错: {str(e)}"}
又比如，我们上一个节点让大模型输出了一个json，里面的字段我们需要提取出来，供后续使用，我们可以这样做：
输入：
我的输入是structured_output参数，他的值是{ "clarification_ question": "您好！请问您想为谁购买保险，被保人的年龄和健康状况如何，以及您的投保预算是多少呢？","is_complete": "false", "query": "", "summary": "" }, "text": "{\n \"is_ complete\": \"false\",\n \"query\": \"\",\n \"clarification_question\": \"您好！请问您想为谁购买保险，被保人的年龄和健康状况如何，以及您的投保预算是多少呢？\",\n \"summary\": \"\"\n}"， 我想要将里面这4个参数分别提取，然后返回这4个参数以及对应的值为单独的参数。
看下输出：
我们在dify中测试一下：
ok，也是一次成功：
代码：
def main (structured_output: dict ) -> dict : """ 从structured_output中提取clarification_question、is_complete、query、summary这4个参数 """ try : clarification_question = structured_output.get("clarification_question" , "" ) is_complete = structured_output.get("is_complete" , "" ) query = structured_output.get("query" , "" ) summary = structured_output.get("summary" , "" ) return { "clarification_question" : clarification_question, "is_complete" : is_complete, "query" : query, "summary" : summary } except Exception as e: return {"error" : f"执行出错: {str (e)} " }
小结 这篇文章到这里就结束了。
其实从头到尾我想给大家说的是，那句话是真的，AI是能力的放大器 。
大家或许可以想一想：
在你的日常工作中，有哪些让你觉得‘很烦、很重复、但又不得不做’的小事呢？也许，它们就是你下一个可以用AI解决的问题。
所以，大家不要把AI编程这些工具，看的特别高大上。他们其实很接地气的，只要你能想到的，都可以先用他们试试 。
不要恐惧他们，感觉自己又要学新东西，先干起来，在学嘛。
欢迎大家分享下，自己都做了哪些小应用，让我一起学习学习！
