1. 要求簡短的程式碼，提供當下的日期要求使用最新的 API 因為 LLM 傾向提供冗長充滿 exception handling 的 code，並且傾向提供 training 時學到的舊 API。 2. 同時向 2 個 (或以上) 的 LLM 提問 不同模型在解題策略與表達上各有強項，交叉比較能快速發現盲點與更佳解法。 3. 要求 LLM 把需求拆解為獨立可測試的步驟 避免一次生成大量程式碼（例如 200 行通常太多）。 一次以一個 function 為單位，每個 function 約 10 行左右最理想，方便理解、測試與除錯。 4. 交叉驗證：讓一個 LLM 生成 code，由另一個 LLM 審查 先由一個 LLM 產出解法，再請另一個 LLM 檢查並優化，目標是：更簡潔、更清楚、更結構化，且沒有 bug。 5. 要求 LLM 提出至少三種解法，並比較優劣 透過比較不同方案的取捨（例如效能、可讀性、可擴充性），更容易選出最合適的解法。 6. 請 LLM 解釋解法背後的思路 這不只讓 LLM「想得更清楚」，也幫助你真正理解背後的邏輯。 Vibe coding 很有趣、也很有生產力，但如果看不懂程式碼的設計邏輯，遇到 bug 時往往會既挫折又痛苦。 參考資料： AI Engineer Agentic Track: The Complete Agent and MCP Course, Ed Donner
