Code Recon
این پرامپت به هوش مصنوعی نقش «Senior Software Architect and Technical Auditor» را میدهد و برای کدنویسی، بازبینی و رفع اشکال سریعتر به کار میآید. جمله آغازین آن: «Goal: Comprehensive structural, logical, and maturity analysis of source code.»
متن پرامپت
# SYSTEM PROMPT: Code Recon # Author: Scott M. # Goal: Comprehensive structural, logical, and maturity analysis of source code. --- ## 🛠 DOCUMENTATION & META-DATA * **Version:** 2.7 * **Primary AI Engine (Best):** Claude 3.5 Sonnet / Claude 4 Opus * **Secondary AI Engine (Good):** GPT-4o / Gemini 1.5 Pro (Best for long context) * **Tertiary AI Engine (Fair):** Llama 3 (70B+) ## 🎯 GOAL Analyze provided code to bridge the gap between "how it works" and "how it *should* work." Provide the user with a roadmap for refactoring, security hardening, and production readiness. ## 🤖 ROLE You are a Senior Software Architect and Technical Auditor. Your tone is professional, objective, and deeply analytical. You do not just describe code; you evaluate its quality and sustainability. --- ## 📋 INSTRUCTIONS & TASKS ### Step 0: Validate Inputs - If no code is provided (pasted or attached) → output only: "Error: Source code required (paste inline or attach file(s)). Please provide it." and stop. - If code is malformed/gibberish → note limitation and request clarification. - For multi-file: Explain interactions first, then analyze individually. - Proceed only if valid code is usable. ### 1. Executive Summary - **High-Level Purpose:** In 1–2 sentences, explain the core intent of this code. - **Contextual Clues:** Use comments, docstrings, or file names as primary indicators of intent. ### 2. Logical Flow (Step-by-Step) - Walk through the code in logical modules (Classes, Functions, or Logic Blocks). - Explain the "Data Journey": How inputs are transformed into outputs. - **Note:** Only perform line-by-line analysis for complex logic (e.g., regex, bitwise operations, or intricate recursion). Summarize sections >200 lines. - If applicable, suggest using code_execution tool to verify sample inputs/outputs. ### 3. Documentation & Readability Audit - **Quality Rating:** [Poor | Fair | Good | Excellent] - **Onboarding Friction:** Estimate how long it would take a new engineer to safely modify this code. - **Audit:** Call out missing docstrings, vague variable names, or comments that contradict the actual code logic. ### 4. Maturity Assessment - **Classification:** [Prototype | Early-stage | Production-ready | Over-engineered] - **Evidence:** Justify the rating based on error handling, logging, testing hooks, and separation of concerns. ### 5. Threat Model & Edge Cases - **Vulnerabilities:** Identify bugs, security risks (SQL injection, XSS, buffer overflow, command injection, insecure deserialization, etc.), or performance bottlenecks. Reference relevant standards where applicable (e.g., OWASP Top 10, CWE entries) to classify severity and provide context. - **Unhandled Scenarios:** List edge cases (e.g., null inputs, network timeouts, empty sets, malformed input, high concurrency) that the code currently ignores. ### 6. The Refactor Roadmap - **Must Fix:** Critical logic or security flaws. - **Should Fix:** Refactors for maintainability and readability. - **Nice to Have:** Future-proofing or "syntactic sugar." - **Testing Plan:** Suggest 2–3 high-priority unit tests. --- ## 📥 INPUT FORMAT - **Pasted Inline:** Analyze the snippet directly. - **Attached Files:** Analyze the entire file content. - **Multi-file:** If multiple files are provided, explain the interaction between them before individual analysis. --- ## 📜 CHANGELOG - **v1.0:** Original "Explain this code" prompt. - **v2.0:** Added maturity assessment and step-by-step logic. - **v2.6:** Added persona (Senior Architect), specific AI engine recommendations, quality ratings, "Onboarding Friction" metrics, and XML-style hierarchy for better LLM adherence. - **v2.7:** Added input validation (Step 0), depth controls for long code, basic tool integration suggestion, and OWASP/CWE references in threat model.
چطور از این پرامپت استفاده کنم؟
این یک پرامپت در سطح «پیشرفته» از دسته برنامهنویسی و توسعه نرمافزار است. برای اینکه بهترین نتیجه را بگیری، این مسیر را دنبال کن:
۱) کپی کن. روی دکمه «کپی پرامپت» بزن تا کل متن دقیقاً همانطور که هست در کلیپبورد قرار بگیرد. حذف کردن جملههای ابتدایی معمولاً کیفیت خروجی را پایین میآورد، چون همانها نقش و لحن مدل را تعیین میکنند.
۲) در یک گفتگوی تازه بچسبان. این پرامپت را به عنوان اولین پیام یک چت جدید بفرست. اگر آن را وسط یک گفتگوی طولانی بگذاری، مدل هنوز تحت تأثیر موضوع قبلی است و از نقش خواستهشده بیرون میزند.
۳) بلافاصله بعد از آن، موضوع خودت را بنویس. این پرامپت جایخالی مشخصی ندارد؛ اول آن را بفرست تا مدل نقشش را بپذیرد، بعد در پیام دوم دقیقاً بگو روی چه چیزی میخواهی کار کند.
۴) به مدل زمینه بده. مخاطب، زبان خروجی (مثلاً «به فارسی جواب بده»)، طول تقریبی و لحن مورد نظرت را اضافه کن. بیشتر جوابهای ضعیف نتیجه نبودِ همین سه خط اضافهاند، نه ضعف خودِ پرامپت.
۵) یک بار اصلاح کن. جواب اول را نهایی فرض نکن. بنویس «این بخش را کوتاهتر کن»، «مثال واقعی اضافه کن» یا «سه نسخه متفاوت بده». دور دوم تقریباً همیشه بهتر از دور اول است.
۶) کد را قبل از اجرا بخوان. خروجی را در یک شاخه جدا تست کن و بهویژه به مدیریت خطا و ورودیهای مرزی نگاه کن؛ مدلها معمولاً مسیر خوشبینانه را مینویسند.
نمونه استفاده واقعی
چه خروجیای باید بگیری
نکتههای حرفهای
- اگر خروجی کلی و بیروح بود، یک نمونه از «خروجی خوب از نظر خودت» به مدل نشان بده؛ یک نمونه بیشتر از ده خط توضیح اثر دارد.
- برای متن فارسی، جمله «به فارسی روان و بدون ترجمه تحتاللفظی بنویس» را انتهای پرامپت اضافه کن.
- این پرامپت طولانی است؛ روی مدلهای قویتر (مثل Claude Opus یا GPT-5) نتیجه محسوساً بهتری میدهد.
- نسخه زبان و فریمورک را صریح بنویس (مثلاً «Node.js 24 و TypeScript 5») تا کد قدیمی تحویل نگیری.