人工智能的快速发展从根本上改变了自主系统的工程格局。当今的大型语言模型（LLM）不仅仅是文本生成器；它们是复杂的推理引擎，能够调试复杂的C++运动链、优化SLAM算法以及构建稳健的行为树。
以下提示已经过严格测试和优化，可在所有主要AI模型中部署，包括ChatGPT、Gemini、Claude和DeepSeek。虽然每个模型都拥有不同的架构（DeepSeek通常擅长原始代码逻辑，Claude擅长结构安全细微差别，而Gemini擅长处理大上下文文档），但这些提示为旨在加速其开发工作流程的自治系统工程师提供了通用基础。
1. 优化路径规划算法（A* 与 RRT）
最适合： DeepSeek（用于严格的算法逻辑）
选择正确的路径规划算法对于动态环境至关重要。此提示迫使人工智能针对您的硬件限制进行权衡分析。
提示：
担任高级机器人工程师。我正在为 [插入机器人类型，例如仓库AMR] 设计一个路径规划模块，该模块在 [插入环境，例如具有移动人类的高度动态环境] 中运行。
对于此特定用例，将A*（A-Star）与RRT*（快速探索随机树星）进行比较。
1. 分析O表示法的计算复杂度。
2. 评估每种方法在嵌入式系统（例如NVIDIA Jetson）上实时重新规划的适用性。
3. 提供最适合所选算法的启发式函数的伪代码实现。
回报：
您将获得以数学为基础的权衡分析，该分析超越了教科书定义，延伸到了实际的硬件感知应用程序。
2. 实施用于传感器融合的扩展卡尔曼滤波器（EKF）
最适合： Claude（用于高保真代码生成和安全上下文）
传感器融合是精确定位的支柱。此提示有助于生成用于融合IMU和里程计数据的样板文件和数学结构。
提示：
为扩展卡尔曼滤波器（EKF）生成C++类结构，旨在融合差动驱动机器人的车轮里程计和IMU数据。
要求：
- 定义状态向量 [x, y, theta, v, omega]。
- 编写结合运动模型的“预测”阶跃函数。
- 编写处理测量积分的“更新”步骤函数。
- 包括解释运动模型的雅可比矩阵推导的注释。
- 遵守C++17标准和ROS2命名约定。
回报：
大大减少了编写复杂矩阵运算所花费的时间，并确保雅可比推导在数学上是合理的。
3. 调试SLAM闭环失败
最适合： Gemini（用于分析大型上下文或描述性日志）
循环闭合因误报而臭名昭著。使用此提示来诊断您的SLAM系统为何无法识别之前访问过的位置。
提示：
我的GraphSLAM实现无法在具有重复特征的长走廊中有效地闭合循环。我正在使用基于激光雷达的扫描匹配。
提供技术故障排除清单，涵盖：
1. 特征提取阈值（例如ICP适合度分数）。
2. 几何对称环境中混叠的影响。
3. 集成视觉特征（视觉词袋）以增强LiDAR数据的策略。
4. 建议前端扫描匹配器的具体参数调整调整，以减少环路闭合尝试之前的漂移。
回报：
为SLAM中最持久的问题之一提供结构化调试路线图，重点关注几何和视觉故障。
4. 生成用于仿真的URDF模型
最适合： ChatGPT（用于多功能格式和快速迭代）
创建准确的URDF（统一机器人描述格式）文件非常繁琐。该提示会自动生成XML结构。提示：
为4轮滑移转向机器人创建有效的URDF XML片段。
规格：
- 底盘尺寸：0.5m x 0.3m x 0.1m（盒子）。
- 轮子半径：0.1m。
- 包括将车轮连接至底盘的“连续”接头。
- 添加碰撞和惯性标签，假设总质量为10kg，均匀分布。
- 包括安装在LiDAR装置底盘中心上方0.2m处的“sensor_link”。
回报：
消除语法错误并手动计算惯性矩阵，立即提供可用于模拟的资产。
5. 处理轨迹生成中的四元数旋转
最适合： DeepSeek（数学精度）
万向节锁定和旋转错误是常见的陷阱。此提示可确保您的旋转数学是可靠的。
提示：
我需要在3D空间中的两个机器人姿势之间进行插值。一个姿势表示为四元数（q1），目标表示为（q2）。
1. 解释在此任务中使用SLERP（球面线性插值）相对于线性插值的优势。
2. 使用NumPy提供一个Python函数，该函数采用两个四元数和一个时间因子“t”（0到1）并返回插值四元数。
3. 包括四元数“双覆盖”属性的错误处理（确保超球面上的最短路径）。
回报：
防止导致机器人行为不稳定的常见旋转错误，确保方向变化平稳且数学上正确。
6. 构建导航行为树
最适合： 克劳德（结构逻辑和建筑设计）
行为树（BT）在复杂导航方面优于有限状态机。此提示可帮助您构建逻辑流程。
提示：
为导航仓库的机器人设计行为树结构。
该树必须处理以下序列：
1. 接收目标姿势。
2. 检查电池电量（如果< 20%，则中止并前往充电座）。
3. 使用全局规划器计算路径。
4. 执行路径。
5. 反应式回退：如果障碍物阻挡了路径> > 5秒后，触发“recovery_behavior”（备份和旋转）。
使用标准BT节点（序列、选择器、装饰器、叶子）呈现结构。
回报：
可视化决策的逻辑流程，确保电池电量低或路径阻塞等边缘情况纯粹通过架构而不是意大利面条代码来处理。
7. 优化成本图参数
最适合： ChatGPT（一般配置建议）
调整成本图是一门艺术。此提示可帮助您了解通货膨胀半径和成本缩放之间的相互作用。
提示：
我正在调整ROS2导航堆栈（Nav2）的全局和本地成本图。我的机器人在转弯时离障碍物太近，但如果我增加充气半径，它就会拒绝通过狭窄的门口。
解释“inflation_radius”和“cost_scaling_factor”之间的数学关系。
计算占地面积半径为0.25m、需要穿过0.8m门的机器人的推荐值，确保在撞到门框之前成本衰减到零。
回报：
通过提供计算的参数值而不是猜测，解决了经典的“狭窄通道与安全裕度”的困境。
8. 设计MPC（模型预测控制）成本函数
最适合： DeepSeek（用于控制理论应用）
MPC需要仔细平衡成本函数。此提示有助于权衡轨迹平滑度与目标准确性。
提示：
我正在实现一个模型预测控制器（MPC），用于非完整移动机器人上的轨迹跟踪。帮我设计目标函数J。
1. 定义状态误差（跟踪精度）和控制工作（能量使用）的术语。
2. 建议如何添加一个术语来惩罚转向角的大幅变化（加加速度最小化）。
3. 如何权衡终端成本与阶段成本以确保稳定性？
回报：
提供成本函数的正式定义，以平衡主动跟踪与平稳、节能的控制。
9. 单元测试导航节点
最适合： Claude（用于综合测试框架）
安全关键系统需要可靠的测试。此提示会为您的规划逻辑生成测试用例。
提示：
使用“unittest”和“rclpy”库为自定义路径平滑节点编写Python单元测试。
该节点采用原始航路点数组并返回B样条平滑路径。
测试用例涵盖：
1. 输入：一条3点直线（期望最小偏差）。
2. 输入：急转90度（预计曲率在定义的限度内）。
3. 输入：空路径数组（预计安全失败/警告）。
回报：
确保您的代码在接触硬件之前对边缘情况具有鲁棒性，从而防止逻辑错误导致的物理崩溃。
10. LiDAR与相机深度数据分析
最适合： Gemini（用于全面的传感器比较）
传感器模式之间的决定决定了导航堆栈的架构。
提示：
在玻璃墙办公环境中使用2D LiDAR与RGB-D摄像头（例如英特尔实感）进行室内SLAM的技术比较。
重点关注：
1.“玻璃问题”：LiDAR光束的失效模式与透明表面上的立体深度估计。
2. 避障的视野（FoV）限制。
3.处理点云的计算负载差异。
4. 推荐一种融合策略来减轻两者的弱点。
回报：
阐明了每种传感器类型的具体故障模式，从而为困难的环境做出更稳健的传感器架构决策。
专业提示：上下文注入
使用这些提示时，请始终根据您的特定限制来“启动”人工智能。不要只是询问代码，而是在提示符前加上：“约束：ROS2 Humble，C++17，在具有4GB RAM的Raspberry Pi 4上运行。”这个简单的添加可以防止人工智能建议在桌面工作站上运行但会阻塞您的嵌入式硬件的计算量大的库。