神经网络提示 - 有效提示的实用指南

定义 模型的一个单一、清晰的目标，并在编写任何提示之前锁定输出格式、长度上限和成功标准。这种方法使响应保持专注，并在类似任务中可重用。(указав знаниями вашего всего него сетями ребенком думаем такой слишком развития определить специалистам изнутри сами такие-то собственной углублялся)

选择三个实用模板，并保持输入确定性：直接指令、结构化数据 和 逐步推理。对于每个模板，指定语言（英语）、语气（友好）和具体指标。例如，将摘要限制为 6 个句子或最多 120 个单词，要求五个简洁的要点，并要求一个单一的、基于证据的结论。

直接指令 提示：“用英语用四句话总结文章的主要观点。使用友好语气，避免多余内容。”

结构化数据 提示：“以英语返回五个简洁的项目，每个项目一句话，不超过 15 个单词。”

迭代评估 和测试：“运行同一任务的三个变体，比较完整性、准确性和连贯性，并保留最佳表现者。”

神经网络提示：提示的实用指南；第 1 节：代码和算法的提示

推荐：在每个代码提示开始时指定精确目标，指定文件名，并要求一个小、可测试的函数加上单元测试；保持提示简洁，并提示简短的解释（объяснение）所选方法以支持调试和进一步发展（development）。在迭代时捕获您的开发成果到一个草稿版本，并将提示推入一个纪律性细化的模式，每次运行都更接近所需结果。

构建提示以描述问题、确切输入和输出格式、任何约束以及测试计划；包括一个具体示例、文件名模式（filename）和对方法的实时演练请求（вживую），以帮助审阅者理解逻辑。只将列表用作约束的心理模型，但以散文形式呈现以保持流畅性和可读性；目标是征求技术上可靠的代码，具有清晰意图。

在实践中，从最小提示开始，然后通过添加边缘情况、性能期望和平台考虑（платформы）来扩展它；将任务与实时上下文对齐，例如本地仓库中的演示文件或共享工作区，并请求您可以立即测试的输出，避免歧义和不必要的内容。

代码提示模板

模板：filename = 'algorithm_demo.py'；任务：实现函数 compute_stats(data)，它从数据（数字列表）返回一个包含均值、中位数和众数的字典。约束：优雅处理空列表，使用稳定算法，并在可能的情况下返回整数。输出：函数定义、简短的文档字符串和小单元测试块。提供方法的简洁（объяснение），并保持整个答案足够紧凑，以便粘贴到草稿中而不丢失上下文；包括简短的示例输入和预期输出。

模板：filename = 'sorting_utils.py'；任务：编写 sort_list(arr, algorithm='mergesort')，它返回 arr 的排序副本；默认支持合并排序，允许快速排序作为替代，并记录时间复杂度期望。测试：[3,1,2] -> [1,2,3]。用几行（технически）解释算法选择，并提供最小测试框架。确保代码是纯的（无 I/O 副作用），并且提示要求可读的、惯用的 Python 实现。

算法场景和验证

提示变体应包括特定场景的提示，例如图遍历、动态编程或字符串处理；对于每个场景，请求函数签名、确定性输出和方法的简洁解释（объяснение），用几个要点。指定文件名（filename）以将任务锚定在真实项目中，并要求详细测试集，以简短、人性化的输入列表（списки）练习边缘情况。如果您需要快速结果，包括一种模式来返回结果和简短跟踪，揭示决策背后的原因（получая），而不暴露敏感数据。

在提示解释时，要求审阅者可以在实时审查会议中跟随的逻辑逐步大纲（сценарий）；这有助于在平台上时间紧迫的发展团队（время）快速评估正确性和可读性。包括关于实现如何通过小细化进一步发展（развития）的说明，以处理更广泛的输入域，并保持提示专注于实际代码和测试，而不是模糊的愿望。

为代码生成任务选择提示结构

从最小、确定性结构开始：简洁的问题陈述、明确的输入/输出格式和至少一个具体示例。这保持本质清晰，并为神经网络提供坚实支撑。将此指导放在您的提示库的部分中，并附加提示以引导行为向干净、可测试的代码方向发展。使用至少两个示例，指定目标语言和环境，并将模式编写为未来工作流的 reusable 提示。编写模板，使模型输出带有最小注释的即用代码块。

在三种核心代码生成结构中选择：直接指令、逐步分解（шагов）和 示例优先（ппромты）。对于每个，定义提示的 架构：清晰的任务描述、严格的输入/输出格式、语言和工具约束，以及一小套测试用例。在逐步变体中，包括概述方法但避免暴露内部推理的 步骤；要求简洁计划和最终代码。这种一致性使提示更容易审计和在部分中重用。当安全问题出现时，将 gameshield 引用为强制执行约束并防止不安全模式的守护。

将提示锚定到稳定的 支撑：固定接口、明确输入模式（例如 JSON）和紧凑的、文档化的输出风格。指定目标语言、运行时和任何禁止的 API。使用 提示 轻推模型向惯用、高效代码，并包括简短测试支架，以便神经网络验证正确性。在此上下文中，提示的 工具 成为指导生成和评估的填充模板。

质量检查驱动可靠结果：使用清晰指标集计算进度，包括至少 5 个单元测试和常见边缘情况覆盖。要求模型交付通过所有测试的 代码 块，并可选的简短解释限于基本细节。使用单独的提示变体在测试成功时仅请求代码，保持工作流紧凑和可重复。

实用提示保持提示实用：编写 每个任务的一致模板，锁定输入、处理和输出之间的 连接，并保持提示的 架构 用示例 填充。及早强调约束，以便神经网络在风格、性能和安全上对齐。将 工具 视为您可以在部分中调整的可编程画布，迭代结构，而不仅仅是内容。因此，目标是易于审计、易于重用并能在生产就绪代码中 闪耀 的提示。模型在这里的愿望 – 给出精确、可验证的答案，而不是模糊的摘要。

因此，采用模块化的 架构 用于代码生成提示，具有清晰的 提示、定义的输入和输出以及简洁的测试计划。请记住，每个部分可以扩展，但基本集 – 这是部分结构、支撑集和测试集。为 Python 和 JavaScript 编写示例，并保持它们在同一格式中，以便语言和环境之间的连接保持一致。这种方法允许代码质量闪耀并降低最终实现中的错误风险。

为代码提示指定语言、环境和约束

有效提示指南

• 语言和版本：指定确切的语言、版本和任何所需的方言或框架（例如，Python 3.11、带模块的 Java 17 或严格模式的 TypeScript 5.0）。这设置期望并防止歧义。
• 环境和约束：描述运行时、操作系统、可用库、文件路径、输入/输出约定以及沙箱或执行限制（内存、时间）。提及代码应支持的各种环境，以将输出与各种用例对齐。
• 代码风格和安全：定义格式规则、文档字符串约定和安全约束。指定允许的 API 和禁止模式，例如网络访问或写入任意路径。包括处理失败和错误消息的方式，使指令诚实和清晰。
• 澄清问题和测试：概述模型应如何询问缺失信息以及如何将用户意图转化为具体步骤（каким образом спросить clarifications и перевести требования в код）。提供示例输入/输出和边缘情况，以最小化争论和对人本身的疑虑。
• 评估提示：描述输出将如何被判断，包括正确性、可读性以及代码多么好适应给定条件。这将帮助程序员和指导者理解评估的基础。

澄清算法：提示中的流程、数据结构和逐步推理

1. 定义目标和成功标准：确切指定模型应输出什么以及您将如何评估正确性。
2. 拼出流程：映射输入 → 预处理 → 推理步骤 → 最终输出，列出每个阶段的责任。
3. 声明数据结构：命名要使用的结构（数组、映射、树、队列）并描述允许的操作（插入、查找、排序、合并）。
4. 要求逐步推理：要求明确步骤（例如，s0、s1、s2）导致结果，而不是直接跳到结论。
5. 包括验证检查点：在关键步骤插入条件测试和边缘情况检查，以及早捕获错误。
6. 提供约束和回退规则：指定条件或限制，以及如果步骤失败产生有效结果该做什么。
7. 提供简洁摘要和可选代码或伪代码：只有在显示推理后，才呈现最小实现或大纲。

提示中流程和推理指南

• 优先使用明确语言，将每个步骤与数据转换联系起来，以便模型从输入到输出的路径。
• 在请求代码生成时，概述目标语言、接口和边缘情况处理，以避免最终解决方案中的歧义。
• 保持提示模块化：将复杂任务分解为与所选数据结构和流程对齐的小子提示。
• 鼓励验证：在每个步骤后，要求针对简单测试用例的快速正确性检查。
• 通过命名具体结构、操作和预期输出避免模糊术语，以减少误解。

集成测试：提示驱动的生成代码验证

连接一个最小测试框架，它立即在生成代码上运行并返回通过/失败、错误和运行时指标的结构化报告是必不可少的。英文提示帮助助手以清晰期望闪耀，减少当语法正确但语义失败时您失望的机会。

采用紧凑的配方：要求代码加上确定性测试套件和报告状态、错误和覆盖率的 JSON 负载格式。这保持验证可观察和可自动化跨团队和工具。

为生成代码定义清晰约束：输出必须是自包含的、确定性的，并且除了沙箱运行时之外没有外部依赖。包括边缘情况处理的检查、对不良行为的防护，以及测试检测到的任何错误的简洁解释。

围绕提示设计试验：固定种子、隔离 I/O，并运行重复检查以发现不稳定行为。使用紧凑反馈循环细化提示，以便错误在迭代中缩小并整体信噪比改善。

在指南中记录工作流并将其与公司文档对齐。这种实践确保其他团队可以重现结果、审计提示并追溯代码如何通过生成和验证转换。

认识到训练模型可能能够输出语法正确的代码，但不满足用户要求。因此，包括可读性标准、内联注释和函数签名的明确契约，并检查这些质量与正确性一起。最佳方法结合自动化验证与人工审查，以防止模糊或问题实现。

从简单配方开始：步骤 1，用自然语言指定目标函数签名及其预期行为；步骤 2，提供代表性输入和边界情况；步骤 3，要求断言典型和边缘情况输出的单元测试；步骤 4，在沙箱中运行一切并以 JSON 格式收集结果；步骤 5，基于失败断言迭代提示直到结果稳定。

在实践中，小助手管道看起来像这样：提示模型产生代码加上嵌入测试，在受控环境中执行，捕获结果，并将失败反馈到提示细化中。这种方法帮助公司避免在生成代码似乎正确但不符合文档和测试配方任务时失望。参与人员应保持测试套件轻量、稳定并专注于核心行为，同时使用指南中的指导随时间扩展覆盖。

在代码提示中处理边缘情况、库和 API 调用

从提示边界验证输入开始并建模严格契约：必需键、允许值、超时和定义的重试策略。确保输出在运行中一致，通过固定端点和库版本。保持提示简洁，使用直接映射到 API 表面的文本令牌。当您为特定用例指定任务时，应用主模式，实习开发者可以重用，并包括成功和失败的示例。让诚实笔记指导期望，并设计提示以促进开发者自发展，支持创建可靠工具而不是模糊指导。避免不必要绕道；即使在噪声条件下，也固定可预测行为并帮助每个人进步。

库应被视为接口，而不是实现细节。将依赖集限制为稳定、良好支持的，并将调用包装在小适配器后面，以便提示保持可读和便携整个栈。这种主方法保持提示连贯，简化测试，并防止环境之间漂移。对于特定项目，记录使用的确切版本并提供导入模式示例。强调关于失败的诚实反馈循环，并构建提示以支持开发者自发展与学习，而不是在原始代码中暴露脆弱边缘情况。如果建议将一块鸡肉作为隐喻，丢弃它并专注于具体行为和确定性结果。固定团队纪律，并帮助所有参与者成长。

API 调用需要纪律模式：尽可能的幂等请求、明确超时和失败时的稳健退避。拿具体示例：带 2 秒超时的 GET 调用和 3 步重试策略。推广清晰描述请求的文本提示，包括端点、标头和预期响应形状，而不将敏感键嵌入提示中。使用文本令牌作为参数占位符，并强制执行清晰错误映射，以便用户看到可操作指导。使实习生容易重现流程，并提供成功和常见失败模式的示例（примеры）。全程，保持兴趣以使提示引人入胜和诚实，并确保设计通过奖励清晰、一致性和可预测性支持开发者自发展。目标是避免惊喜并在所有环境中强化可靠行为。

场景	边缘情况	提示模式	验证
API 超时	在限制内无响应	描述端点、方法、标头；指定 timeout=2s；概述带有指数退避的重试	模拟延迟以确认退避增加；验证最终失败处理提示清晰用户行动
速率限制 (429)	太多请求	说明重试策略、最大尝试和退避乘数；如果限制持续，包括替代计划	模拟 429；确认提示表面指导和优雅降级
格式错误的 JSON	无效响应结构	简洁定义预期模式；描述如何恢复或使用规范化重试	注入格式错误负载以测试弹性；确保提示请求纠正步骤
缺少 API 密钥	未授权	澄清提示应如何安全提示密钥或从安全存储读取	验证密钥处理路径；确保日志或提示中无泄漏