首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >把大模型当“实习生”而不是“大神”,消除 90% 代码幻觉的 5 个工程思维

把大模型当“实习生”而不是“大神”,消除 90% 代码幻觉的 5 个工程思维

原创
作者头像
悟空码字
发布于 2026-11-17 22:33:04
发布于 2026-11-17 22:33:04
140
举报
文章被收录于专栏:编程技术编程技术

大家好,我是小悟。

一、什么是“代码幻觉”?

先从一个真实场景说起。

你让大模型写一个函数:“用 Python 读取 CSV 文件,统计某列缺失值数量”。 模型秒回一段代码:

代码语言:javascript
复制
import pandas as pd
df = pd.read_csv("data.csv")
missing = df["age"].isnull().sum()
print(missing)

看起来完美。但你本地运行报错: ModuleNotFoundError: No module named 'pandas' 或者 KeyError: 'age' 或者文件路径根本不存在。

这就是典型的代码幻觉——模型生成的代码语法正确、逻辑自洽,但放到真实环境中无法运行。它“想象”了一个完美世界:库已装好、列名存在、路径有效、权限开放、数据干净。

代码幻觉的本质:模型没有真正的理解力,它只是在学到的代码分布中做模式匹配。当你的上下文与训练分布有偏差时,幻觉就来了。


二、为什么会有代码幻觉?

原因

解释

训练数据的“平均化”

模型见过百万个 pd.read_csv("data.csv"),默认这是最可能的写法,却不知道你的文件叫 raw_2025.csv

缺少环境约束

模型不知道你用的是 Python 3.8 还是 3.12,有没有 pandas,内存是否足够

隐式假设

假设列名是已知的、数据没有乱码、路径是相对的

不询问澄清

模型习惯直接给答案,而不是先问“你的 CSV 列名叫什么?”


三、优化技巧:从“幻觉驱动”到“工程驱动”

技巧 1:明确约束(Context Injection)

错误示范:

“写代码读取 CSV”

正确示范:

“Python 3.10 环境,禁止使用 pandas,只能用内置 csv 模块。CSV 第一行为列头,实际存放路径 /data/user/order.csv。请检查文件是否存在,若不存在则抛出友好提示。”

效果:模型被迫使用 csv.reader,加入异常处理,不再幻想 pandas。

技巧 2:分步验证(Step‑by‑step with verification)

不要一次性生成完整脚本。先让模型写出验证环境的代码。

步骤:

  1. 生成检查代码: “写出 Python 代码,检测当前环境是否安装了 pandas 和 openpyxl,若缺失则打印安装命令。”
  2. 你运行这段检测代码,把输出贴回去。
  3. 模型根据真实环境继续生成后续代码。

这样模型就从一个“想象的环境”被拉进了“真实的环境”。

技巧 3:要求自检清单(Self‑check prompt)

在请求末尾加上:

“在给出代码之前,先逐条列出你的假设:文件路径、库版本、列名、数据规模、异常类型。然后根据这些假设写出代码,并给出每个假设被违反时的回退方案。”

示例输出:

代码语言:javascript
复制
假设 1: 文件路径 './sales.csv' 存在
回退: try/except FileNotFoundError

假设 2: 包含 'date' 列
回退: 打印可用列名并退出

假设 3: 内存足以一次性读取
回退: 提示分块读取

这样做之后,模型会自动变得“保守”且可防御。

技巧 4:强制单元测试(Test‑driven prompt)

先让模型生成测试代码,再生成功能代码。

“先写出 pytest 测试用例,用于验证一个函数 count_missing(file_path, column_name)。测试包含:文件不存在、列名缺失、文件为空、正常情况。然后根据这些测试写出函数实现。”

模型为了通过自己写的测试,会主动加入异常处理和边界检查,幻觉率大幅下降。

技巧 5:使用“反向提问”(Ask‑me‑first pattern)

当你不确定模型会正确理解时,要求它先反问。

“在我给出具体需求之前,请先列出 5 个你需要澄清的问题,然后我会逐一回答,你再输出最终代码。”

模型可能问:

  • 数据编码是 UTF‑8 还是 GBK?
  • 缺失值用什么占位符(空字符串、NaN、NULL)?
  • 希望返回数量还是修改原文件?
  • 文件大小超过 1GB 需要分块吗?
  • 运行系统是 Windows 还是 Linux?

你回答后,模型生成的代码几乎不会再出现路径斜杠、编码、内存相关的幻觉。


四、详细操作步骤

任务:从 MySQL 数据库读取一张订单表,按月份汇总金额,生成折线图。

第 1 步:环境探测

提示词:

“当前 Python 环境未知。请生成一段代码,检测以下库是否可用:pymysql, pandas, matplotlib。输出格式:每个库加上 ✅ 或 ❌,并给出安装命令。”

运行后得到反馈,发现缺 pymysql。你安装后再次运行确认。

第 2 步:索要澄清问题

提示词:

“你将协助我生成数据库查询与绘图代码。请先列出你需要知道的全部信息,不要直接写代码。”

模型输出:

  1. 数据库主机、端口、用户名、密码(或认证方式)
  2. 库名、表名
  3. 日期字段名称
  4. 金额字段名称,以及是否为数值类型
  5. 希望输出的图片格式(png / jpg / 交互式)

你逐条回答。

第 3 步:要求假设清单

提示词:

“基于我的回答,请列出你的所有假设,以及每一条假设被违反时的处理方式。”

模型输出假设与回退方案,你确认无误。

第 4 步:生成最终代码(带防御)

模型生成代码,包含:

  • 连接失败重试
  • 字段不存在时打印可用字段
  • 日期解析异常跳过并记录
  • 空结果集时提示而非崩溃
  • 绘图前检查数据量是否过少

第 5 步:交付自测代码

模型额外给出一个“模拟数据测试版本”,不需要真实数据库就能跑通逻辑,方便你先验证函数流程。


五、完整总结

问题

原因

解决方案

代码无法运行

模型假设的环境(库、路径、数据)与真实不符

明确约束:指定环境、异常处理、禁止某些库

运行时 KeyError / 列不存在

模型臆造了列名

分步验证 + 反向提问:先让模型反问字段信息

内存溢出 / 性能差

模型按“教学小数据”写法

自检清单:要求说明数据规模假设,并写分块逻辑

逻辑错误但语法正确

模型未理解业务规则

单元测试先行:先写测试,再实现

模型不确认需求直接写

模型习惯性“猜”

强制反问:要求先问 3~5 个问题

核心心法:

不要把模型当成“知道答案的人”,而要把模型当成“非常擅长填空的实习生”。 你需要做的是—— 1️⃣ 缩小填空的范围(提供具体约束) 2️⃣ 让它在填空前先确认纸和笔(环境检查) 3️⃣ 让它写下草稿并自检(假设清单) 4️⃣ 用真实反馈迭代(分步验证)

告别代码幻觉的唯一路径: 从“一次性提示 → 运行 → 失败” 转变为“提示 → 反问 → 确认 → 生成小段 → 验证 → 迭代”

当你开始把模型当作一个需要持续对齐的协作对象,而不是一个“代码生成器”时,幻觉会从“经常发生”变成“极少遇到”。

最后一句总结:

幻觉不是模型的问题,而是我们默认模型知道我们没有告诉它的事。 把隐含的假设全部显式化,幻觉自然消失。

谢谢你看我的文章,既然看到这里了,如果觉得不错,随手点个赞、转发、在看三连吧,感谢感谢。那我们,下次再见。

您的一键三连,是我更新的最大动力,谢谢

山水有相逢,来日皆可期,谢谢阅读,我们再会

我手中的金箍棒,上能通天,下能探海

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 一、什么是“代码幻觉”?
  • 二、为什么会有代码幻觉?
  • 三、优化技巧:从“幻觉驱动”到“工程驱动”
    • 技巧 1:明确约束(Context Injection)
    • 技巧 2:分步验证(Step‑by‑step with verification)
    • 技巧 3:要求自检清单(Self‑check prompt)
    • 技巧 4:强制单元测试(Test‑driven prompt)
    • 技巧 5:使用“反向提问”(Ask‑me‑first pattern)
  • 四、详细操作步骤
    • 第 1 步:环境探测
    • 第 2 步:索要澄清问题
    • 第 3 步:要求假设清单
    • 第 4 步:生成最终代码(带防御)
    • 第 5 步:交付自测代码
  • 五、完整总结
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档