豆包大模型需明确上下文、校验输出并按需调整格式才能生成精准代码注释；应先写中文意图说明再贴代码，统一注释风格，手动补充类型与依赖信息，将其视为需引导的结对程序员。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
豆包大模型（如 MarsCode 或 Doubao）能生成可用的代码注释，但不能直接“全自动”贴进项目就完事——它需要你明确上下文、校验输出、按需调整格式，否则容易出现语义偏差或风格错位。
给函数加 docstring 时，别只丢代码，要带说明意图
单纯把 def calculate_score(user_data) 粘过去，豆包可能生成泛泛而谈的注释，比如“计算用户得分”。实际你需要的是它理解这个函数在你项目里到底干了什么。
- 正确做法：先写一句中文说明，再贴代码。例如：“该函数根据用户最近7天行为日志计算活跃分，权重规则见 product/wiki#score-rules”，然后附上函数定义
- 豆包会据此识别出关键点：时间窗口（7天）、数据源（行为日志）、业务依据（wiki链接），生成更精准的
"""计算用户7天活跃分，依据 product/wiki#score-rules 中定义的权重规则...""" - 错误示范：只发函数体不加任何上下文，AI 很可能把
user_data猜成字典，而实际是pd.DataFrame，导致参数描述失真
批量加注释前，先统一项目注释风格再喂给豆包
不同团队对注释格式要求差异很大：Google 风格、Numpy 风格、PEP257 单行、还是纯中文行内注释？豆包不会自动猜你用哪一种。
- 先告诉豆包：“请按 Google Python 风格生成 docstring，参数用 Args: 开头，返回值用 Returns:，全部用英文”
- 如果项目强制要求中文，就明确说：“所有注释用简体中文，不使用被动语态，避免‘本函数用于…’这类句式”
- 对已有代码批量处理时，建议一次喂 3–5 个相似函数（比如都属于 data_loader 模块），比单个反复提交更容易保持术语和语气一致
遇到类型模糊或动态结构时，手动补提示词比依赖 AI 推断更可靠
豆包对硬编码类型（如 int、str）识别准，但对运行时才确定的结构（比如 JSON 返回值、SQL 查询结果）容易误判。
- 当函数返回一个字典但键名不固定时，不要指望豆包自动写出
Dict[str, Any]—— 你得在提问里加一句：“返回字典，key 为用户ID（str），value 为包含 score 和 rank 的嵌套 dict” - 对于 pandas 或 numpy 相关函数，显式提一句“输入是 pd.DataFrame，列名为 ['uid', 'event_time', 'action']”，比让它自己 infer 强得多
- 若函数内部调用了另一个未注释的私有函数，豆包大概率会忽略其影响。这时需要你先把那个私有函数也一起粘过去，或注明“该函数依赖
_parse_event()的输出结构”
真正卡住进度的往往不是生成不出来，而是生成后要花两倍时间改语病、对齐类型、补漏逻辑分支。与其追求“一键全量”，不如把豆包当成一个响应快、记性好、但需要你指路的结对程序员。每次提问前多写10秒说明，能省下后续半小时返工。
