【AI】提示词实战：让大模型生成可直接运行的Python代码

 

提示词实战：让大模型生成可直接运行的 Python 代码

一、引言

在日常开发和学习中，我们经常需要编写 Python 代码来完成各种任务，比如数据处理、文件操作、爬虫开发等。但编写代码的过程可能会花费较多时间，尤其是面对不熟悉的功能模块时，还需要查阅大量文档。大模型的出现为解决这一问题提供了新的思路，通过设计合理的提示词，我们可以让大模型直接生成可运行的 Python 代码，大幅提高工作效率。本文将通过具体的实战案例，详细讲解如何设计提示词，让大模型生成符合需求且能直接运行的 Python 代码，帮助大家掌握这一实用技能。

二、让大模型生成可运行 Python 代码的提示词基础

2.1 明确代码的核心功能需求

要让大模型生成可运行的 Python 代码，首先要在提示词中清晰说明代码需要实现的核心功能。如果功能描述模糊，大模型生成的代码可能无法满足实际需求，甚至出现逻辑错误。

比如，我们需要生成一个 “计算两个数的加减乘除运算” 的 Python 代码，提示词不能只写 “生成一个 Python 计算代码”，而应该明确描述功能：“请生成一个 Python 代码，实现两个整数的加法、减法、乘法和除法运算，要求用户输入两个整数，代码输出每种运算的结果”。这样的提示词能让大模型准确把握代码的核心功能，减少生成无效代码的概率。

2.2 指定代码的输入输出格式

明确代码的输入输出格式，是确保生成的代码可直接运行的关键。输入格式包括用户输入的数据类型、输入方式（如通过 input 函数手动输入、从文件读取等）；输出格式包括结果的展示形式（如打印到控制台、保存到文件等）、输出内容的详细程度。

例如，在生成 “统计文本文件中单词出现次数” 的 Python 代码时，提示词需要指定输入输出格式：“请生成一个 Python 代码，功能是统计指定文本文件（文件路径由用户输入）中每个单词的出现次数。输入格式：用户通过 input 函数输入文本文件的绝对路径；输出格式：将每个单词及其出现次数按‘单词：出现次数’的格式打印到控制台，且忽略大小写，排除‘the’‘a’‘an’等常见停用词”。通过这样的描述，大模型生成的代码能准确处理输入输出，避免因格式不明确导致的运行问题。

2.3 说明依赖的第三方库

Python 代码常常需要依赖第三方库来实现特定功能，比如用 pandas 处理数据、用 requests 发送网络请求、用 matplotlib 绘制图表等。如果提示词中不说明需要使用的第三方库，大模型可能会使用不常用的库，或者遗漏必要的库导入语句，导致代码运行时出现 “ModuleNotFoundError” 错误。

因此，在提示词中要明确说明依赖的第三方库。例如，生成 “用 matplotlib 绘制折线图” 的 Python 代码时，提示词应包含：“请生成一个 Python 代码，使用 matplotlib 库绘制一条包含 5 个数据点的折线图。数据点的 x 轴值为 [1,2,3,4,5]，y 轴值为 [10,20,15,25,30]，要求给图表添加标题‘简单折线图’、x 轴标签‘x 值’、y 轴标签‘y 值’，并显示网格线。代码中需包含 matplotlib 库的导入语句，且确保代码运行后能弹出图表窗口”。这样大模型会准确导入所需库，避免依赖问题。

三、数据处理场景：提示词实战案例

3.1 案例一：CSV 文件数据读取与基本统计分析

3.1.1 需求描述

需要生成一个 Python 代码，实现读取本地 CSV 文件（文件路径由用户指定），对文件中的数值型列进行基本统计分析，包括计算每列的平均值、最大值、最小值、标准差，并将统计结果保存到新的 CSV 文件中。

3.1.2 提示词设计

“请生成一个可直接运行的 Python 代码，功能如下：

1. 让用户通过 input 函数输入本地 CSV 文件的绝对路径；

1. 使用 pandas 库读取该 CSV 文件，确保能正确处理文件编码（若遇到编码错误，尝试使用‘utf-8’或‘gbk’编码）；

1. 筛选出文件中的数值型列（int64、float64 类型）；

1. 对每个数值型列计算以下统计指标：平均值（保留 2 位小数）、最大值、最小值、标准差（保留 2 位小数）；

1. 将统计结果整理成 DataFrame，索引为统计指标，列名为数值型列名；

1. 让用户通过 input 函数输入新 CSV 文件的保存路径，将统计结果保存到该路径下；

1. 代码运行过程中，若出现文件不存在、路径错误等异常，需捕获并打印友好的错误提示信息；

1. 代码中需包含所有必要的库导入语句（如 pandas）。”

3.1.3 生成的代码及运行验证

import pandas as pd

import os

def analyze_csv_data():

# 获取用户输入的CSV文件路径

input_path = input("请输入CSV文件的绝对路径：")

# 检查文件是否存在

if not os.path.exists(input_path):

print(f"错误：文件 '{input_path}' 不存在，请检查路径是否正确。")

return

# 尝试读取CSV文件，处理编码问题

try:

df = pd.read_csv(input_path, encoding='utf-8')

except UnicodeDecodeError:

try:

df = pd.read_csv(input_path, encoding='gbk')

except Exception as e:

print(f"读取文件时出现错误：{str(e)}，无法识别文件编码。")

return

# 筛选数值型列

numeric_cols = df.select_dtypes(include=['int64', 'float64']).columns

if len(numeric_cols) == 0:

print("该CSV文件中没有数值型列，无法进行统计分析。")

return

# 计算统计指标

stats_data = {}

for col in numeric_cols:

col_data = df[col].dropna() # 去除缺失值

stats_data[col] = {

'平均值': round(col_data.mean(), 2),

'最大值': col_data.max(),

'最小值': col_data.min(),

'标准差': round(col_data.std(), 2)

}

# 整理统计结果为DataFrame

stats_df = pd.DataFrame(stats_data).T # 转置，让列名为统计指标

# 获取保存路径并保存文件

save_path = input("请输入统计结果的保存路径（需包含文件名，如D:/stats_result.csv）：")

try:

stats_df.to_csv(save_path, encoding='utf-8-sig')

print(f"统计结果已成功保存到 '{save_path}'。")

except Exception as e:

print(f"保存文件时出现错误：{str(e)}，请检查保存路径是否正确。")

# 调用函数执行

if __name__ == "__main__":

analyze_csv_data()

3.1.4 运行验证步骤

1. 准备一个包含数值型列的 CSV 文件，如包含 “学生姓名”“语文成绩”“数学成绩”“英语成绩” 的文件；

1. 运行上述代码，输入 CSV 文件的绝对路径（如 “D:/students_scores.csv”）；

1. 代码读取文件后，会自动筛选出 “语文成绩”“数学成绩”“英语成绩” 等数值型列，计算统计指标；

1. 输入统计结果的保存路径（如 “D:/scores_stats.csv”）；

1. 打开保存的文件，查看统计结果是否正确，同时检查代码运行过程中是否有错误提示。

3.2 案例二：Excel 文件多工作表数据合并

3.2.1 需求描述

生成一个 Python 代码，合并 Excel 文件中所有工作表的数据。要求将每个工作表的名称作为一列添加到数据中，最终将合并后的数据保存到新的 Excel 文件的单个工作表中，且能处理工作表中列名不一致的情况（只保留所有工作表共有的列）。

3.2.2 提示词设计

“请生成一个可直接运行的 Python 代码，实现以下功能：

1. 提示用户输入需要合并的 Excel 文件绝对路径（支持.xlsx 格式）；

1. 使用 pandas 库读取该 Excel 文件中的所有工作表；

1. 对于每个工作表，添加一列名为‘工作表名称’，值为当前工作表的名称；

1. 找出所有工作表共有的列（即每个工作表都存在的列），只保留这些列的数据；

1. 将所有工作表处理后的数据合并成一个 DataFrame；

1. 提示用户输入合并后 Excel 文件的保存路径（需包含文件名，如 D:/merged_data.xlsx）；

1. 将合并后的 DataFrame 保存到新 Excel 文件的‘合并结果’工作表中；

1. 处理可能出现的异常，如文件不存在、Excel 格式错误、无共有的列等，并打印错误提示；

1. 代码需导入必要的库（如 pandas、openpyxl），且确保保存 Excel 文件时使用 openpyxl 引擎。”

3.2.3 生成的代码及运行验证

import pandas as pd

import os

def merge_excel_sheets():

# 获取输入Excel文件路径

input_file = input("请输入需要合并的Excel文件绝对路径（.xlsx格式）：")

# 检查文件是否存在及格式是否正确

if not os.path.exists(input_file):

print(f"错误：文件 '{input_file}' 不存在，请检查路径。")

return

if not input_file.endswith('.xlsx'):

print("错误：仅支持.xlsx格式的Excel文件，请选择正确的文件。")

return

# 读取所有工作表

try:

excel_reader = pd.ExcelFile(input_file)

sheet_names = excel_reader.sheet_names

if len(sheet_names) == 0:

print("错误：该Excel文件中没有工作表。")

return

print(f"发现 {len(sheet_names)} 个工作表：{', '.join(sheet_names)}")

except Exception as e:

print(f"读取Excel文件时出错：{str(e)}")

return

# 读取每个工作表数据并添加“工作表名称”列

sheet_dfs = []

for sheet in sheet_names:

try:

df = pd.read_excel(input_file, sheet_name=sheet)

df['工作表名称'] = sheet # 添加工作表名称列

sheet_dfs.append(df)

print(f"成功读取工作表：{sheet}，数据行数：{len(df)}")

except Exception as e:

print(f"读取工作表 '{sheet}' 时出错：{str(e)}，跳过该工作表。")

if len(sheet_dfs) == 0:

print("错误：没有成功读取到任何工作表数据，无法合并。")

return

# 找出所有工作表共有的列

common_cols = set(sheet_dfs[0].columns)

for df in sheet_dfs[1:]:

common_cols.intersection_update(df.columns)

common_cols = list(common_cols)

if len(common_cols) == 0:

print("错误：所有工作表没有共有的列，无法合并数据。")

return

print(f"所有工作表共有的列：{', '.join(common_cols)}")

# 保留共有的列并合并数据

merged_df = pd.concat([df[common_cols] for df in sheet_dfs], ignore_index=True)

print(f"合并后的数据总行数：{len(merged_df)}")

# 保存合并结果

save_file = input("请输入合并后Excel文件的保存路径（如D:/merged_data.xlsx）：")

if not save_file.endswith('.xlsx'):

save_file += '.xlsx' # 自动添加后缀

try:

merged_df.to_excel(save_file, sheet_name='合并结果', index=False, engine='openpyxl')

print(f"合并完成！结果已保存到：{save_file}")

except Exception as e:

print(f"保存文件时出错：{str(e)}，请检查保存路径是否有权限。")

# 执行合并函数

if __name__ == "__main__":

merge_excel_sheets()

3.2.4 运行验证步骤

1. 准备一个包含多个工作表的 Excel 文件，例如有 “2023 年 1 月销售”“2023 年 2 月销售” 两个工作表，均包含 “商品 ID”“销量”“销售额” 列，且可能有其他不同列；

1. 运行代码，输入该 Excel 文件的绝对路径；

1. 代码会读取所有工作表，显示工作表名称和数据行数，然后找出共有的列（如 “商品 ID”“销量”“销售额”“工作表名称”）；

1. 输入保存路径，代码将合并后的数据保存到新 Excel 文件；

1. 打开新文件，查看 “合并结果” 工作表，确认数据是否正确合并，且包含 “工作表名称” 列。

四、文件操作场景：提示词实战案例

4.1 案例一：指定文件夹下所有文件的名称与大小统计

4.1.1 需求描述

生成 Python 代码，统计指定文件夹下所有文件（不包含子文件夹）的名称、后缀名、大小（以 KB 为单位，保留 2 位小数），并将统计结果按文件大小从大到小排序后，保存到 TXT 文件中。

4.1.2 提示词设计

“请生成可直接运行的 Python 代码，功能如下：

1. 让用户通过 input 函数输入需要统计的文件夹绝对路径；

1. 遍历该文件夹下的所有文件（不进入子文件夹）；

1. 对每个文件，获取以下信息：文件名称（包含后缀）、文件后缀名（如.txt、.png，若没有后缀则记为‘无后缀’）、文件大小（转换为 KB，1KB=1024 字节，保留 2 位小数）；

1. 将所有文件的统计信息整理成列表，按文件大小从大到小排序（若大小相同，按文件名称字母顺序排序）；

1. 提示用户输入 TXT 文件的保存路径（需包含文件名，如 D:/file_stats.txt）；

1. 将排序后的统计信息写入 TXT 文件，每行格式为‘文件名称：xxx，后缀名：xxx，大小：xxx KB’；

1. 代码需处理文件夹不存在、权限不足等异常，打印清晰的错误提示；

1. 不需要导入额外第三方库（使用 Python 内置的 os 模块即可）。”

4.1.3 生成的代码及运行验证

import os

def统计文件信息():

# 获取文件夹路径

folder_path = input("请输入需要统计的文件夹绝对路径：")

# 检查文件夹是否存在

if not os.path.exists(folder_path):

print(f"错误：文件夹 '{folder_path}' 不存在，请检查路径。")

return

if not os.path.isdir(folder_path):

print(f"错误：'{folder_path}' 不是一个有效的文件夹路径。")

return

# 遍历文件夹下的文件，收集信息

file_info_list = []

try:

for filename in os.listdir(folder_path):

file_path = os.path.join(folder_path, filename)

# 只处理文件，不处理子文件夹

if os.path.isfile(file_path):

# 获取文件大小（字节转KB）

file_size_bytes = os.path.getsize(file_path)

file_size_kb = round(file_size_bytes / 1024, 2)

# 获取文件后缀名

file_ext = os.path.splitext(filename)[1]

if not file_ext:

file_ext = "无后缀"

else:

file_ext = file_ext.lower() # 后缀名统一小写

# 添加到列表

file_info_list.append({

'name': filename,

'ext': file_ext,

'size_kb': file_size_kb

})

except PermissionError:

print(f"错误：没有访问文件夹 '{folder_path}' 的权限，请检查权限设置。")

return

except Exception as e:

print(f"遍历文件夹时出现错误：{str(e)}")

return

if len(file_info_list) == 0:

print("该文件夹下没有文件。")

return

# 按文件大小排序（从大到小），大小相同按名称排序

file_info_list.sort(key=lambda x: (-x['size_kb'], x['name']))

# 获取保存路径并写入TXT

save_path = input("请输入TXT文件的保存路径（如D:/file_stats.txt）：")

if not save_path.endswith('.txt'):

save_path += '.txt'

try:

with open(save_path, 'w', encoding='utf-8') as f:

f.write(f"文件夹 '{folder_path}' 的文件统计结果（共 {len(file_info_list)} 个文件）\n")

f.write("="*50 + "\n</doubaocanvas>

for info in file_info_list:

line = f"文件名称：{info ['name']}，后缀名：{info ['ext']}，大小：{info ['size_kb']} KB\n"

f.write (line)

print (f"文件统计结果已保存到：{save_path}")

except Exception as e:

print (f"保存 TXT 文件时出错：{str (e)}，请检查保存路径是否可写。")

执行统计函数

if name == "main":

统计文件信息 ()

#### 4.1.4 运行验证步骤

1. 选择一个包含多个文件（如文档、图片、压缩包）的文件夹，记录其绝对路径；

2. 运行代码，输入该文件夹的绝对路径；

3. 代码会遍历文件夹下的文件，排除子文件夹，收集每个文件的名称、后缀和大小；

4. 输入TXT保存路径（如“D:/doc_folder_stats.txt”）；

5. 打开保存的TXT文件，检查内容是否符合“文件名称：xxx，后缀名：xxx，大小：xxx KB”格式，且是否按大小从大到小排序。

### 4.2 案例二：批量重命名指定文件夹下的图片文件

#### 4.2.1 需求描述

生成Python代码，批量重命名指定文件夹下的所有图片文件（支持.jpg、.png、.jpeg格式）。命名规则为“图片_序号”（序号从1开始递增），例如“图片_1.jpg”“图片_2.png”，且重命名过程中保持原文件的后缀格式不变。

#### 4.2.2 提示词设计

“请生成可直接运行的Python代码，功能如下：

1. 提示用户输入图片所在文件夹的绝对路径；

2. 筛选该文件夹下后缀为.jpg、.png、.jpeg的文件（不区分大小写，如.JPG也视为有效格式）；

3. 按文件创建时间（最早创建的排最前）对筛选出的图片文件排序；

4. 按“图片_序号.原后缀”的格式批量重命名，序号从1开始递增（如原文件为“photo.png”，排序后为1，则重命名为“图片_1.png”）；

5. 重命名过程中，打印每个文件的“原名称→新名称”对应关系；

6. 处理可能的异常，如文件夹不存在、无符合条件的图片文件、文件重命名失败等，并打印错误提示；

7. 仅使用Python内置的os模块，无需导入第三方库。”

#### 4.2.3 生成的代码及运行验证

```python

import os

from datetime import datetime

def batch_rename_images():

# 获取图片文件夹路径

folder_path = input("请输入图片所在文件夹的绝对路径：")

# 检查文件夹是否存在

if not os.path.exists(folder_path):

print(f"错误：文件夹 '{folder_path}' 不存在，请检查路径。")

return

if not os.path.isdir(folder_path):

print(f"错误：'{folder_path}' 不是有效的文件夹路径。")

return

# 筛选图片文件（支持.jpg/.png/.jpeg，不区分大小写）

image_extensions = ('.jpg', '.png', '.jpeg', '.JPG', '.PNG', '.JPEG')

image_files = []

for filename in os.listdir(folder_path):

file_path = os.path.join(folder_path, filename)

if os.path.isfile(file_path) and filename.endswith(image_extensions):

# 获取文件创建时间（Windows用st_ctime，Linux用st_mtime，这里兼容处理）

create_time = os.path.getctime(file_path)

image_files.append((file_path, filename, create_time))

if len(image_files) == 0:

print("该文件夹下没有找到.jpg、.png、.jpeg格式的图片文件。")

return

# 按创建时间排序（最早创建在前）

image_files.sort(key=lambda x: x[2])

# 批量重命名

rename_count = 0

for idx, (file_path, old_name, _) in enumerate(image_files, start=1):

# 获取原文件后缀

old_ext = os.path.splitext(old_name)[1].lower() # 统一后缀为小写（如.JPG→.jpg）

# 构建新名称

new_name = f"图片_{idx}{old_ext}"

new_path = os.path.join(folder_path, new_name)

# 避免新名称与现有文件冲突

if os.path.exists(new_path):

print(f"警告：新名称 '{new_name}' 已存在，跳过文件 '{old_name}'。")

continue

# 执行重命名

try:

os.rename(file_path, new_path)

print(f"成功重命名：{old_name} → {new_name}")

rename_count += 1

except Exception as e:

print(f"重命名 '{old_name}' 时出错：{str(e)}，跳过该文件。")

print(f"\n批量重命名完成！共处理 {len(image_files)} 个图片文件，成功重命名 {rename_count} 个。")

# 执行批量重命名函数

if __name__ == "__main__":

batch_rename_images()

4.2.4 运行验证步骤

1. 准备一个包含多个图片文件（混合.jpg、.png 格式，且名称不规则）的文件夹；

1. 运行代码，输入该文件夹的绝对路径；

1. 代码会筛选出图片文件，按创建时间排序，并打印 “原名称→新名称” 的对应关系；

1. 重命名完成后，打开文件夹，检查图片文件是否按 “图片_1.jpg”“图片_2.png” 的格式命名；

1. 确认无重复名称，且原文件的后缀格式保持正确（如.png 文件仍为.png 后缀）。

五、网络请求场景：提示词实战案例

5.1 案例一：调用公开 API 接口获取数据并解析

5.1.1 需求描述

生成 Python 代码，调用公开的 “天气 API 接口”（以高德地图天气 API 为例，需用户自行提供 API 密钥），根据用户输入的城市名称，获取该城市的实时天气数据（包括温度、天气状况、风力、湿度），并将解析后的结果以清晰的格式打印到控制台。

5.1.2 提示词设计

“请生成可直接运行的 Python 代码，功能如下：

1. 提示用户输入高德地图天气 API 的密钥（提示：密钥可在高德开放平台申请，免费版足够使用）；

1. 提示用户输入需要查询天气的城市名称（如 “北京”“上海”）；

1. 使用 requests 库发送 GET 请求到高德天气 API（接口地址：https://restapi.amap.com/v3/weather/weatherInfo?key=密钥 & city = 城市名称 & extensions=base）；

1. 解析 API 返回的 JSON 数据，提取实时天气信息：城市名称、温度（temp）、天气状况（weather）、风力（windpower）、湿度（humidity）；

1. 按以下格式打印结果：

城市：xxx

实时温度：xxx℃

天气状况：xxx

风力：xxx 级

湿度：xxx%

1. 处理可能的异常：API 密钥错误、城市名称无效、网络连接失败、API 返回数据格式错误等，并打印友好的错误提示；

1. 代码中需导入 requests 库，并在开头添加注释，说明 API 密钥的申请方式。”

5.1.3 生成的代码及运行验证

# 说明：高德天气API密钥申请方式：

# 1. 访问高德开放平台（https://lbs.amap.com/），注册并登录账号；

# 2. 进入“控制台→应用管理→创建应用”，填写应用名称（如“天气查询”）；

# 3. 在应用下添加“Web服务”类型的Key，获取API密钥后使用。

import requests

import json

def get_city_weather():

# 获取API密钥

api_key = input("请输入你的高德地图天气API密钥：").strip()

if not api_key:

print("错误：API密钥不能为空，请重新输入。")

return

# 获取城市名称

city_name = input("请输入需要查询天气的城市名称（如“北京”）：").strip()

if not city_name:

print("错误：城市名称不能为空，请重新输入。")

return

# 构建API请求地址

base_url = "https://restapi.amap.com/v3/weather/weatherInfo"

params = {

"key": api_key,

"city": city_name,

"extensions": "base" # extensions=base表示获取实时天气

}

# 发送请求并解析数据

try:

print(f"\n正在查询 {city_name} 的实时天气...")

response = requests.get(base_url, params=params, timeout=10)

response.raise_for_status() # 若状态码非200，抛出HTTPError

# 解析JSON数据

weather_data = response.json()

# 检查API返回状态

status = weather_data.get("status")

if status != "1":

error_msg = weather_data.get("info", "未知错误")

print(f"查询失败：{error_msg}（错误码：{weather_data.get('infocode')}）")

return

# 提取天气信息（实时天气在lives列表的第一个元素中）

lives = weather_data.get("lives", [])

if not lives:

print(f"查询失败：未获取到 {city_name} 的天气数据，请检查城市名称是否正确。")

return

realtime_weather = lives[0]

# 提取需要的字段

city = realtime_weather.get("city", "未知城市")

temp = realtime_weather.get("temp", "未知")

weather = realtime_weather.get("weather", "未知")

windpower = realtime_weather.get("windpower", "未知")

humidity = realtime_weather.get("humidity", "未知")

# 打印结果

print("\n" + "="*30)

print(f"城市：{city}")

print(f"实时温度：{temp}℃")

print(f"天气状况：{weather}")

print(f"风力：{windpower}级")

print(f"湿度：{humidity}%")

print("="*30)

except requests.exceptions.Timeout:

print("错误：网络请求超时，请检查网络连接后重试。")

except requests.exceptions.ConnectionError:

print("错误：网络连接失败，请检查网络设置后重试。")

except requests.exceptions.HTTPError as e:

print(f"错误：HTTP请求失败，状态码：{e.response.status_code}")

except json.JSONDecodeError:

print("错误：API返回数据格式错误，无法解析天气信息。")

except Exception as e:

print(f"查询过程中出现未知错误：{str(e)}")

# 执行天气查询函数

if __name__ == "__main__":

get_city_weather()

5.1.4 运行验证步骤

1. 按代码开头的说明，在高德开放平台申请 API 密钥；

1. 运行代码，输入申请到的 API 密钥；

1. 输入需要查询的城市名称（如 “广州”）；

1. 等待代码发送请求并解析数据，查看控制台是否按指定格式打印天气信息；

1. 测试异常情况（如输入错误的 API 密钥、不存在的城市名称、断开网络），检查错误提示是否清晰。

5.2 案例二：简单网页内容爬取（提取新闻标题与链接）

5.2.1 需求描述

生成 Python 代码，爬取指定新闻网站（以 “澎湃新闻” 科技板块为例，URL：https://www.thepaper.cn/channel_25950）的前 10 条新闻标题及对应的新闻链接，将结果保存到 TXT 文件中，每条新闻占一行，格式为 “新闻标题：xxx，新闻链接：xxx”。

5.2.2 提示词设计

“请生成可直接运行的 Python 代码，功能如下：

1. 使用 requests 库获取澎湃新闻科技板块页面（URL：https://www.thepaper.cn/channel_25950）的 HTML 内容；

1. 使用 BeautifulSoup 库解析 HTML，提取页面中前 10 条新闻的标题和对应的新闻链接；

（提示：通过浏览器 “检查” 功能查看新闻标题的 HTML 标签，澎湃新闻科技板块新闻标题通常在 class 为 “news_title” 的标签中，链接为标签的 href 属性）；

1. 提示用户输入 TXT 文件的保存路径（如 “D:/thepaper_tech_news.txt”）；

1. 将提取的新闻标题和链接写入 TXT 文件，每条新闻格式为 “新闻标题：xxx，新闻链接：xxx”，且每条新闻单独占一行；

1. 处理可能的异常：网络连接失败、页面解析错误、无新闻数据提取、文件保存失败等，并打印错误提示；

1. 代码中需导入 requests 和 bs4 库（from bs4 import BeautifulSoup），并添加注释说明各步骤功能。”

5.2.3 生成的代码及运行验证

import requests

from bs4 import BeautifulSoup

import os

def crawl_tech_news():

# 目标网页URL（澎湃新闻科技板块）

news_url = "https://www.thepaper.cn/channel_25950"

# 请求头（模拟浏览器访问，避免被网站拦截）

headers = {

"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36"

}

try:

# 步骤1：获取网页HTML内容

print("正在获取澎湃新闻科技板块页面...")

response = requests.get(news_url, headers=headers, timeout=15)

response.raise_for_status() # 状态码非200时抛出异常

response.encoding = response.apparent_encoding # 自动识别编码，避免乱码

html_content = response.text

print("页面获取成功，开始解析新闻数据...")

# 步骤2：解析HTML，提取新闻标题和链接

soup = BeautifulSoup(html_content, "html.parser")

# 查找所有class为"news_title"的<a>标签（新闻标题和链接所在标签）

news_tags = soup.find_all("a", class_="news_title")

if not news_tags:

print("错误：未找到新闻数据，可能是网页结构变化或访问被拦截。")

return

# 取前10条新闻

news_count = min(10, len(news_tags))

news_list = []

for i in range(news_count):

tag = news_tags[i]

# 提取新闻标题（strip()去除前后空格）

news_title = tag.get_text(strip=True)

# 提取新闻链接（处理相对链接，转为完整URL）

news_href = tag.get("href", "")

if news_href.startswith("/"): # 相对链接（如"/newsDetail_forward_123456"）

news_href = "https://www.thepaper.cn" + news_href

news_list.append((news_title, news_href))

# 步骤3：获取保存路径并写入TXT

save_path = input("请输入TXT文件的保存路径（如D:/thepaper_tech_news.txt）：").strip()

if not save_path:

print("错误：保存路径不能为空，请重新输入。")

return

if not save_path.endswith(".txt"):

save_path += ".txt"

with open(save_path, "w", encoding="utf-8") as f:

f.write(f"澎湃新闻科技板块前{news_count}条新闻（爬取时间：{pd.Timestamp.now().strftime('%Y-%m-%d %H:%M:%S')}）\n")

f.write("="*80 + "\n")

for idx, (title, href) in enumerate(news_list, start=1):

f.write(f"{idx}. 新闻标题：{title}，新闻链接：{href}\n")

print(f"\n爬取完成！共提取 {news_count} 条新闻，结果已保存到：{save_path}")

except requests.exceptions.Timeout:

print("错误：网络请求超时，请检查网络连接后重试。")

except requests.exceptions.ConnectionError:

print("错误：网络连接失败，无法访问目标网页。")

except requests.exceptions.HTTPError as e:

print(f"错误：访问网页失败，状态码：{e.response.status_code}（可能是网站拒绝访问）。")

except Exception as e:</doubaocanvas>

print (f"爬取过程中出现未知错误：{str (e)}")

执行新闻爬取函数

if name == "main":

导入 pandas 库（用于时间格式化，之前代码中遗漏导入）

import pandas as pd

crawl_tech_news()

#### 5.2.4 运行验证步骤

1. 确保已安装requests和bs4库（若未安装，在命令行执行“pip install requests beautifulsoup4 pandas”）；

2. 运行代码，等待代码获取澎湃新闻科技板块页面并解析；

3. 输入TXT文件保存路径（如“D:/tech_news.txt”）；

4. 打开保存的TXT文件，检查是否包含前10条新闻的标题和完整链接，格式是否符合“序号. 新闻标题：xxx，新闻链接：xxx”；

5. 测试异常情况（如断开网络、修改目标URL为无效地址），确认错误提示是否准确。

## 六、代码调试与优化：让生成的Python代码更可靠

### 6.1 常见错误排查与提示词补充技巧

#### 6.1.1 模块导入错误

当大模型生成的代码运行时出现“ModuleNotFoundError”，通常是因为代码中使用了第三方库，但提示词未明确说明需导入该库，或未提醒用户安装。

**解决技巧**：在提示词中明确要求“包含所有必要的库导入语句”，并补充“若使用第三方库，需在代码开头添加注释，说明库的安装命令”。例如，生成数据分析相关代码时，提示词可加入：“代码中需导入pandas和numpy库，并在开头添加注释‘# 安装依赖库：pip install pandas numpy’”。

#### 6.1.2 路径处理错误

代码中涉及文件或文件夹操作时，常出现“FileNotFoundError”，原因是路径格式不规范（如Windows系统路径使用“\”未转义，或相对路径与运行目录不匹配）。

**解决技巧**：在提示词中要求“处理路径时使用os.path模块的函数（如os.path.join、os.path.abspath），避免硬编码路径分隔符”，并提示“若涉及用户输入路径，需检查路径是否存在”。例如，文件操作相关提示词可加入：“使用os.path.join拼接文件路径，确保在Windows和Linux系统下都能正常运行；用户输入路径后，需用os.path.exists验证路径有效性”。

#### 6.1.3 数据类型不匹配

大模型生成的代码可能忽略数据类型转换，导致运行时出现“TypeError”（如将字符串直接用于数值计算）。

**解决技巧**：在提示词中明确数据类型要求，例如“用户输入的数值需转换为int类型后再进行计算，转换前需判断输入是否为有效数字，若不是则提示用户重新输入”。

### 6.2 代码可读性优化的提示词设计

#### 6.2.1 要求添加注释

清晰的注释能让代码更易理解和维护。在提示词中加入“代码需包含三类注释：1. 函数功能注释（说明函数作用、参数和返回值）；2. 关键步骤注释（如‘# 筛选数值型列并计算统计指标’）；3. 复杂逻辑注释（如‘# 处理Excel文件编码问题，优先尝试utf-8，失败则用gbk’）”。

例如，生成文件统计代码时，大模型会在函数定义处添加：

```python

def 统计文件信息():

"""

统计指定文件夹下所有文件的名称、后缀名和大小，并保存到TXT文件

参数：无（通过用户输入获取文件夹路径和保存路径）

返回值：无（直接打印结果和错误提示）

"""

6.2.2 规范代码格式

要求大模型生成的代码符合 Python PEP8 规范（如缩进用 4 个空格、变量名用小写下划线格式），提示词可加入：“代码需遵循 PEP8 规范，变量名使用小写下划线格式（如 file_path 而非 FilePath），函数名使用小写下划线格式，缩进统一用 4 个空格，每行代码长度不超过 120 字符”。

6.3 代码复用性提升的提示词策略

6.3.1 要求封装为函数

将核心功能封装为函数，能让代码更易复用。提示词中可明确 “将核心逻辑封装为独立函数，函数参数和返回值需清晰定义，主程序通过调用函数执行”。例如，生成天气查询代码时，大模型会将查询逻辑封装为get_city_weather()函数，而非直接写在主程序中。

6.3.2 支持参数配置

对于需要灵活调整的功能，提示词可要求 “代码支持通过参数配置关键参数”。例如，生成数据可视化代码时，提示词可加入：“将图表标题、x 轴标签、y 轴标签设为函数参数，用户调用函数时可自定义这些内容，默认值分别为‘数据图表’‘X 轴’‘Y 轴’”。

示例代码片段：

def draw_line_chart(x_data, y_data, title="数据图表", x_label="X轴", y_label="Y轴"):

"""

绘制折线图

参数：

x_data: 列表，x轴数据

y_data: 列表，y轴数据

title: 字符串，图表标题（默认：数据图表）

x_label: 字符串，x轴标签（默认：X轴）

y_label: 字符串，y轴标签（默认：Y轴）

返回值：无

"""

import matplotlib.pyplot as plt

plt.plot(x_data, y_data)

plt.title(title)

plt.xlabel(x_label)

plt.ylabel(y_label)

plt.show()

# 调用示例

draw_line_chart([1,2,3,4,5], [10,20,15,25,30], title="月度销量趋势", x_label="月份", y_label="销量")

七、实战总结与提示词模板

7.1 不同场景的提示词核心要素

7.1.1 数据处理场景

核心要素：1. 数据来源（如 CSV/Excel 文件、用户输入）；2. 处理逻辑（如筛选、统计、合并）；3. 输出格式（如保存为文件、打印到控制台）；4. 异常处理（如文件不存在、数据缺失）。

模板：“请生成可直接运行的 Python 代码，功能：[描述数据处理需求，如‘读取 Excel 文件并合并多工作表数据’]。要求：1. 数据来源：[说明数据位置，如‘用户输入 Excel 文件路径’]；2. 处理逻辑：[详细步骤，如‘筛选数值型列，计算平均值和标准差’]；3. 输出格式：[如‘保存到新 CSV 文件，路径由用户输入’]；4. 异常处理：[如‘处理文件不存在、编码错误’]；5. 包含库导入语句和安装命令，添加关键步骤注释。”

7.1.2 文件操作场景

核心要素：1. 操作对象（如文件 / 文件夹路径）；2. 操作类型（如统计、重命名、复制）；3. 规则定义（如重命名格式、筛选条件）；4. 结果保存（如 TXT 文件、原文件夹覆盖）。

模板：“请生成可直接运行的 Python 代码，功能：[描述文件操作需求，如‘批量重命名文件夹下的图片文件’]。要求：1. 操作对象：[如‘用户输入图片文件夹路径’]；2. 操作规则：[如‘按 “图片_序号。原后缀” 命名，序号从 1 开始’]；3. 结果处理：[如‘打印重命名日志，跳过已存在的新名称文件’]；4. 异常处理：[如‘检查文件夹是否存在、无符合条件文件’]；5. 仅使用 Python 内置模块，添加函数注释和步骤说明。”

7.1.3 网络请求场景

核心要素：1. 目标地址（如 API 接口 URL、网页链接）；2. 请求方式（如 GET/POST）；3. 数据解析（如 JSON 提取、HTML 标签筛选）；4. 结果保存（如 TXT 文件、变量返回）。

模板：“请生成可直接运行的 Python 代码，功能：[描述网络请求需求，如‘调用天气 API 获取实时天气’]。要求：1. 目标地址：[如‘高德天气 API：https://restapi.amap.com/v3/weather/weatherInfo’]；2. 请求参数：[如‘API 密钥和城市名称由用户输入’]；3. 数据解析：[如‘提取温度、天气状况、湿度字段’]；4. 结果输出：[如‘按指定格式打印到控制台’]；5. 异常处理：[如‘网络超时、API 返回错误’]；6. 包含库导入语句和依赖安装命令，添加 API 使用说明注释。”

7.2 提升代码生成效率的额外提示

7.2.1 明确技术栈限制

若对代码使用的库或 Python 版本有要求，需在提示词中明确。例如：“代码需兼容 Python 3.8 及以上版本，仅使用 requests 和内置模块，不允许使用 scrapy 等框架”。

7.2.2 加入示例数据

当需求较复杂时，在提示词中加入示例数据能帮助大模型更准确理解。例如，生成数据排序代码时，提示词可加入：“示例数据：[15,8,23,4,9]，代码需对该列表进行升序排序并打印结果”。

7.2.3 分步骤描述需求

对于多步骤任务，按顺序描述需求能减少大模型遗漏步骤的概率。例如，生成 “数据读取→清洗→分析→可视化” 的代码时，提示词可按 “第一步：读取 CSV 文件；第二步：删除缺失值；第三步：计算各列平均值；第四步：用 matplotlib 绘制柱状图” 的顺序编写。

八、实际应用场景扩展

8.1 自动化办公：生成 Excel 报表自动化代码

8.1.1 需求描述

生成 Python 代码，从 CSV 文件读取销售数据（包含 “日期”“产品名称”“销售额”“销量” 字段），按 “产品名称” 分组计算总销售额和总销量，生成带表头样式的 Excel 报表（表头背景色为浅蓝色，字体加粗），并保存到指定路径。

8.1.2 提示词设计

“请生成可直接运行的 Python 代码，功能如下：

1. 提示用户输入 CSV 销售数据文件路径（字段：日期、产品名称、销售额、销量）；

1. 使用 pandas 读取 CSV 文件，删除‘销售额’和‘销量’字段中的缺失值；

1. 按‘产品名称’分组，计算每组的‘总销售额’（求和）和‘总销量’（求和）；

1. 使用 openpyxl 库设置 Excel 报表样式：表头（产品名称、总销售额、总销量）背景色为 #E6F3FF，字体加粗，列宽自适应内容；

1. 提示用户输入 Excel 报表保存路径，将分组结果保存到该路径；

1. 处理可能的异常：文件不存在、字段缺失、权限不足；

1. 代码开头添加注释，说明依赖库安装命令（pip install pandas openpyxl），并添加关键步骤注释。”

8.1.3 生成的代码示例

# 安装依赖库：pip install pandas openpyxl

import pandas as pd

from openpyxl.styles import PatternFill, Font

from openpyxl.utils.dataframe import dataframe_to_rows

import os

def generate_sales_report():

"""

从CSV销售数据生成带样式的Excel报表

功能：读取数据→清洗→分组统计→生成样式化Excel

"""

# 1. 获取CSV文件路径

csv_path = input("请输入CSV销售数据文件路径：").strip()

if not os.path.exists(csv_path) or not csv_path.endswith('.csv'):

print("错误：请输入有效的CSV文件路径。")

return

# 2. 读取并清洗数据

try:

df = pd.read_csv(csv_path, encoding='utf-8')

# 检查必要字段是否存在

required_cols = ['产品名称', '销售额', '销量']

if not all(col in df.columns for col in required_cols):

print(f"错误：CSV文件缺少必要字段，需包含{required_cols}。")

return

# 删除缺失值

df_clean = df.dropna(subset=['销售额', '销量'])

print(f"成功读取数据，清洗后剩余 {len(df_clean)} 行。")

except Exception as e:

print(f"读取CSV文件出错：{str(e)}")

return

# 3. 按产品分组统计

sales_summary = df_clean.groupby('产品名称').agg(

总销售额=('销售额', 'sum'),

总销量=('销量', 'sum')

).reset_index()

print("分组统计完成，准备生成Excel报表...")

# 4. 生成带样式的Excel

save_path = input("请输入Excel报表保存路径（如D:/sales_report.xlsx）：").strip()

if not save_path.endswith('.xlsx'):

save_path += '.xlsx'

try:

# 创建Excel写入器

with pd.ExcelWriter(save_path, engine='openpyxl') as writer:

sales_summary.to_excel(writer, sheet_name='销售汇总', index=False)

# 获取工作表对象

ws = writer.sheets['销售汇总']

# 设置表头样式（背景色#E6F3FF，字体加粗）

header_fill = PatternFill(start_color='E6F3FF', end_color='E6F3FF', fill_type='solid')

header_font = Font(bold=True)

for cell in ws[1]: # 表头在第1行

cell.fill = header_fill

cell.font = header_font

# 自适应列宽

for column in ws.columns:

max_length = 0

column_letter = column[0].column_letter # 获取列字母（如A、B）

for cell in column:

try:

if len(str(cell.value)) > max_length:

max_length = len(str(cell.value))

except:

pass

adjusted_width = min(max_length + 2, 20) # 限制最大宽度为20

ws.column_dimensions[column_letter].width = adjusted_width

print(f"Excel报表已保存到：{save_path}")

except Exception as e:

print(f"生成Excel报表出错：{str(e)}")

# 执行函数

if __name__ == "__main__":

generate_sales_report()

8.2 机器学习：生成数据预处理基础代码

8.2.1 需求描述

生成 Python 代码，读取鸢尾花数据集（从 sklearn 库加载），对特征数据（萼片长度、萼片宽度、花瓣长度、花瓣宽度）进行预处理：1. 标准化（均值为 0，标准差为 1）；2. 划分训练集和测试集（测试集占比 30%，随机种子设为 42）；3. 打印预处理后的训练集和测试集形状，以及标准化后的特征均值和标准差。

8.2.2 提示词设计

“请生成可直接运行的 Python 代码，功能如下：

1. 从 sklearn.datasets 加载鸢尾花数据集，提取特征数据（X）和标签（y）；

1. 使用 sklearn.preprocessing.StandardScaler 对特征数据 X 进行标准化；

1. 使用 sklearn.model_selection.train_test_split 划分训练集（X_train, y_train）和测试集（X_test, y_test），测试集占比 30%，random_state=42；

1. 打印以下信息：（1）原始数据形状、训练集形状、测试集形状；（2）标准化后训练集各特征的均值（保留 2 位小数）和标准差（保留 2 位小数）；

1. 处理可能的导入错误（如 sklearn 未安装），代码开头添加依赖安装命令（pip install scikit-learn）；

1. 添加函数注释和关键步骤说明，变量名符合 PEP8 规范。”

8.2.3 生成的代码示例

# 安装依赖库：pip install scikit-learn pandas

from sklearn.datasets import load_iris

from sklearn.preprocessing import StandardScaler

from sklearn.model_selection import train_test_split

import pandas as pd

def iris_data_preprocessing():

"""

鸢尾花数据集预处理：加载数据→标准化→划分训练测试集

返回：X_train_scaled, X_test_scaled, y_train, y_test（标准化后的训练测试集和标签）

"""

# 1. 加载鸢尾花数据集

try:

iris = load_iris()

X = iris.data # 特征数据（4个特征）

y = iris.target # 标签

feature_names = iris.feature_names # 特征名称

print(f"成功加载鸢尾花数据集：原始数据形状 X={X.shape}, y={y.shape}")

except ImportError:

print("</doubaocanvas>

错误：未安装 scikit-learn 库，请先执行命令 “pip install scikit-learn” 安装依赖。

return None, None, None, None

except Exception as e:

print (f"加载数据集时出错：{str (e)}")

return None, None, None, None

2. 划分训练集和测试集（先划分再标准化，避免数据泄露）

X_train, X_test, y_train, y_test = train_test_split (

X, y, test_size=0.3, random_state=42, stratify=y # stratify=y 保证标签分布一致

)

print (f"数据集划分完成：训练集 X_train={X_train.shape}, 测试集 X_test={X_test.shape}")

3. 对特征数据进行标准化（仅用训练集拟合 scaler，避免测试集信息泄露）

scaler = StandardScaler ()

X_train_scaled = scaler.fit_transform (X_train) # 训练集：拟合 + 转换

X_test_scaled = scaler.transform (X_test) # 测试集：仅转换

4. 打印标准化后的统计信息

print ("\n 标准化后训练集各特征的统计信息：")

将标准化后的训练集转为 DataFrame，方便查看

X_train_scaled_df = pd.DataFrame(X_train_scaled, columns=feature_names)

计算均值和标准差并保留 2 位小数

mean_stats = X_train_scaled_df.mean().round(2)

std_stats = X_train_scaled_df.std().round(2)

合并并打印

stats_df = pd.DataFrame ({"均值": mean_stats, "标准差": std_stats})

print (stats_df)

return X_train_scaled, X_test_scaled, y_train, y_test

执行预处理函数并验证结果

if name == "main":

X_train_scaled, X_test_scaled, y_train, y_test = iris_data_preprocessing ()

if X_train_scaled is not None:

print (f"\n 预处理完成！可直接用于模型训练：")

print (f"标准化训练集形状：{X_train_scaled.shape}，训练集标签形状：{y_train.shape}")

print (f"标准化测试集形状：{X_test_scaled.shape}，测试集标签形状：{y_test.shape}")

#### 8.2.4 运行验证步骤

1. 安装依赖库：在命令行执行“pip install scikit-learn pandas”；

2. 运行代码，观察控制台输出，确认是否成功加载数据集（原始数据形状应为X=(150,4)，y=(150,)）；

3. 检查数据集划分结果，训练集形状应为X_train=(105,4)，测试集X_test=(45,4)；

4. 查看标准化后的统计信息，各特征的均值应接近0（如-0.1~0.1之间），标准差应接近1（如0.9~1.1之间）；

5. 确认代码无报错，且返回的预处理后数据可直接用于后续模型训练（如逻辑回归、决策树等）。

### 8.3 自动化测试：生成简单接口测试代码

#### 8.3.1 需求描述

生成Python代码，对公开的“JSONPlaceholder”接口（https://jsonplaceholder.typicode.com/posts/1）进行自动化测试。测试内容包括：1. 发送GET请求，检查响应状态码是否为200；2. 检查响应数据格式是否为JSON；3. 验证响应数据中关键字段（如“userId”“id”“title”“body”）是否存在；4. 打印测试结果（通过/失败）和详细日志。

#### 8.3.2 提示词设计

“请生成可直接运行的Python代码，功能如下：

1. 使用requests库发送GET请求到接口：https://jsonplaceholder.typicode.com/posts/1；

2. 设计3个测试用例：

（1）测试用例1：检查响应状态码是否等于200；

（2）测试用例2：检查响应的Content-Type是否包含“application/json”（确认是JSON格式）；

（3）测试用例3：检查响应JSON数据中是否包含“userId”“id”“title”“body”4个字段；

3. 对每个测试用例，打印“测试用例X：[通过/失败]，原因：XXX”；

4. 统计总测试用例数、通过数和失败数，最后打印测试总结（如“测试完成：共3个用例，通过2个，失败1个”）；

5. 处理网络超时、请求失败等异常，异常时标记对应测试用例为失败，并打印异常原因；

6. 代码开头添加依赖安装命令（pip install requests），添加函数注释和测试步骤说明。”

#### 8.3.3 生成的代码示例

```python

# 安装依赖库：pip install requests

import requests

def test_jsonplaceholder_api():

"""

测试JSONPlaceholder接口（GET /posts/1）的可用性和数据正确性

包含3个测试用例，输出详细测试结果和总结

"""

api_url = "https://jsonplaceholder.typicode.com/posts/1"

test_cases = [] # 存储测试用例结果，每个元素为（用例名，是否通过，原因）

print(f"开始测试接口：{api_url}\n")

# 发送请求并获取响应（提前处理请求异常，避免后续用例中断）

try:

response = requests.get(api_url, timeout=10)

response.raise_for_status() # 若状态码非200，抛出HTTPError

print(f"请求接口成功，响应状态码：{response.status_code}\n")

except requests.exceptions.Timeout:

print("请求接口失败：网络超时（超过10秒）\n")

# 所有测试用例均失败

test_cases.append(("检查响应状态码", False, "请求超时，未获取到响应"))

test_cases.append(("检查JSON格式", False, "请求超时，未获取到响应"))

test_cases.append(("检查关键字段", False, "请求超时，未获取到响应"))

response = None # 标记响应为空，避免后续代码报错

except Exception as e:

print(f"请求接口失败：{str(e)}\n")

test_cases.append(("检查响应状态码", False, f"请求失败：{str(e)}"))

test_cases.append(("检查JSON格式", False, f"请求失败：{str(e)}"))

test_cases.append(("检查关键字段", False, f"请求失败：{str(e)}"))

response = None

# 若请求成功，执行3个测试用例

if response is not None:

# 测试用例1：检查响应状态码是否为200

case1_name = "检查响应状态码"

try:

if response.status_code == 200:

test_cases.append((case1_name, True, f"状态码为200，符合预期"))

else:

test_cases.append((case1_name, False, f"状态码为{response.status_code}，预期200"))

except Exception as e:

test_cases.append((case1_name, False, f"执行失败：{str(e)}"))

# 测试用例2：检查响应是否为JSON格式

case2_name = "检查JSON格式"

try:

content_type = response.headers.get("Content-Type", "")

if "application/json" in content_type:

# 尝试解析JSON，进一步确认格式正确

response.json()

test_cases.append((case2_name, True, f"Content-Type包含application/json，且可正常解析JSON"))

else:

test_cases.append((case2_name, False, f"Content-Type为{content_type}，预期包含application/json"))

except ValueError: # JSON解析失败

test_cases.append((case2_name, False, "Content-Type显示为JSON，但解析失败（格式错误）"))

except Exception as e:

test_cases.append((case2_name, False, f"执行失败：{str(e)}"))

# 测试用例3：检查关键字段是否存在

case3_name = "检查关键字段"

try:

response_data = response.json()

required_fields = ["userId", "id", "title", "body"]

missing_fields = [field for field in required_fields if field not in response_data]

if not missing_fields:

test_cases.append((case3_name, True, f"包含所有关键字段：{required_fields}"))

else:

test_cases.append((case3_name, False, f"缺失关键字段：{missing_fields}"))

except Exception as e:

test_cases.append((case3_name, False, f"执行失败：{str(e)}"))

# 打印所有测试用例结果

print("="*50)

print("测试用例结果详情：")

print("="*50)

for idx, (case_name, passed, reason) in enumerate(test_cases, start=1):

status = "通过" if passed else "失败"

print(f"测试用例{idx}：{case_name} → {status}，原因：{reason}")

# 统计并打印测试总结

total = len(test_cases)

passed_count = sum(1 for _, passed, _ in test_cases if passed)

failed_count = total - passed_count

print("\n" + "="*50)

print(f"测试总结：共{total}个用例，通过{passed_count}个，失败{failed_count}个")

print("="*50)

# 执行接口测试

if __name__ == "__main__":

test_jsonplaceholder_api()

8.3.4 运行验证步骤

1. 安装依赖库：命令行执行 “pip install requests”；

1. 运行代码，观察控制台输出，确认是否成功发送请求（正常情况下请求应成功）；

1. 检查 3 个测试用例结果：

• • 测试用例 1：应显示 “通过”，原因 “状态码为 200，符合预期”；

• • 测试用例 2：应显示 “通过”，原因 “Content-Type 包含 application/json，且可正常解析 JSON”；

• • 测试用例 3：应显示 “通过”，原因 “包含所有关键字段：['userId', 'id', 'title', 'body']”；

1. 测试异常场景：修改接口 URL 为 “https://jsonplaceholder.typicode.com/posts/99999”（不存在的资源），重新运行，确认测试用例 1 会失败（状态码 404），其他用例根据实际响应结果判断；

1. 确认测试总结统计正确，日志清晰易懂。

九、常见问题与解决方案

9.1 大模型生成的代码无法运行怎么办？

9.1.1 检查依赖库是否安装

若运行时出现 “ModuleNotFoundError: No module named 'xxx'”，首先检查是否安装了代码中使用的第三方库。解决方案：

1. 查看代码开头的注释，找到对应的安装命令（如 “pip install pandas requests”）；

1. 在命令行执行安装命令，确保安装成功；

1. 若安装后仍报错，检查 Python 环境是否正确（如虚拟环境未激活，导致库安装到全局环境）。

9.1.2 排查路径与文件问题

若出现 “FileNotFoundError: [Errno 2] No such file or directory: 'xxx'”，解决方案：

1. 确认输入的文件 / 文件夹路径是否正确（绝对路径需包含完整盘符，如 “D:/data.csv”，而非 “data.csv”）；

1. 检查路径中的特殊字符（如空格、中文）是否导致识别错误，可尝试将文件移到无特殊字符的路径下（如 “D:/test/data.csv”）；

1. 代码中若使用相对路径，确认代码运行目录与文件所在目录一致（可通过 “print (os.getcwd ())” 查看当前运行目录）。

9.1.3 处理数据格式错误

若出现 “ValueError: could not convert string to float: 'xxx'”（数据类型转换错误），解决方案：

1. 检查输入数据的格式，确认是否包含非数值字符（如文本文件中的字母、符号）；

1. 在提示词中补充 “对输入数据进行合法性校验，如遇到非数值字符需提示用户并跳过”；

1. 若代码已生成，手动添加数据校验逻辑（如使用 “try-except” 捕获转换错误）。

9.2 如何让大模型生成更贴合实际需求的代码？

9.2.1 补充业务场景细节

模糊的需求会导致代码通用性强但实用性低。例如，仅说 “生成数据统计代码”，不如补充 “用于电商销售数据统计，需按日期分组计算每日销售额，排除退款订单，结果保存为 Excel 并添加数据透视表”。补充业务细节后，大模型生成的代码会更贴合实际工作流。

9.2.2 明确代码运行环境

不同环境对代码有不同要求。例如，提示词中加入 “代码需运行在 Python 3.7 环境，且只能使用公司内网允许的库（pandas、openpyxl），不能使用 requests 等网络相关库”，大模型会避免使用不兼容的语法或库，减少后续修改成本。

9.2.3 提供示例输入输出

对于复杂需求，提供示例输入输出能让大模型更准确理解逻辑。例如，生成 “用户登录验证代码” 时，提示词可加入 “示例输入：用户名 ='admin'，密码 ='123456' → 输出：' 登录成功 '；示例输入：用户名 ='admin'，密码 ='wrong' → 输出：' 密码错误 '”，大模型会参考示例逻辑生成代码。

9.3 生成的代码存在安全风险怎么办？

9.3.1 避免直接处理用户输入的危险操作

若代码涉及文件写入、命令执行等操作，大模型可能未考虑安全风险（如用户输入恶意路径导致文件覆盖）。解决方案：

1. 提示词中加入 “对用户输入的路径进行校验，禁止输入根目录（如 '/' 或 'C:/'）或包含 '../' 的路径（防止路径遍历攻击）”；

1. 生成代码后，检查是否有直接使用用户输入执行命令（如 “os.system (user_input)”）的逻辑，替换为安全的方式（如使用 “subprocess.run” 并指定参数列表）。

9.3.2 网络请求需添加安全校验

若代码涉及网络请求，需避免泄露敏感信息。提示词中加入 “API 密钥需从环境变量读取，不能硬编码在代码中；发送 HTTPS 请求时需验证 SSL 证书，禁止跳过证书校验（如 requests 的 verify=False）”，减少密钥泄露和中间人攻击风险。

9.3.3 数据处理需保护隐私

若代码处理用户隐私数据（如手机号、身份证号），提示词中加入 “对输出的隐私数据进行脱敏处理（如手机号显示为 '138****5678'，身份证号显示为 '110101********1234'）”，避免数据泄露合规风险。