提示词需注入角色-任务双锚点、强动作指令及业务关键词绑定，分步控制重构输出并验证关键词密度，确保代码具备领域辨识度与职责边界。
☞☞☞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☜☜☜
当你用DeepSeek重构函数时，发现模型生成的代码命名雷同、职责边界模糊、角色特征缺失，导致不同模块的重构结果难以区分——这说明提示词缺乏足够强的角色锚点与语义钩子。
注入角色-任务双锚点
在提示词开头同时声明模型身份与本次重构的专属定位，例如：“作为专注金融风控系统的Python架构师，你正在为反洗钱引擎中的交易聚合模块做重构”。
只写“资深工程师”会触发通用知识库，而“反洗钱引擎”+“交易聚合模块”构成不可替代的上下文指纹，【模型将自动过滤非金融领域命名惯例与异常处理模式】。
避免使用“帮忙”“请优化”等弱动词，直接用“重写”“解耦”“封装为契约接口”等强动作指令。
绑定业务关键词强化语义辨识
方法一：在函数名、参数名、注释中强制复用3个以上业务实体词。例如原代码含“user_id”，就要求新函数必须包含“aml_case_id”“trigger_score”“watchlist_hit”三词，且至少两个出现在函数签名中。
方法二：用“禁止替换”锁定核心术语。例如：“保留‘watchlist’原词，不得替换为‘blacklist’‘suspicious_list’等近义词；所有新增变量须以‘aml_’为前缀”。
这一步不加约束，模型大概率按通用命名习惯输出 generic_filter、process_data 等无辨识度名称。
分步控制重构输出结构
第一步：识别原始函数中与“AML规则引擎”强相关的逻辑段落，仅高亮行号（不改写）。
第二步：将第12–28行提取为新函数，函数名必须包含“aml”和“score”，参数列表严格对应输入数据源字段（如 aml_case_id, raw_event_json）。
第三步：为该函数添加类型提示与docstring，首句必须以“【AML规则引擎】”开头，末句注明“此函数不可被非风控模块直接调用”。
第四步：在原函数中插入调用语句，并补全异常分支——若 aml_score 返回 None，则抛出 AMLRuleEngineError 而非 ValueError。
每步输出后立即验证关键词密度：确保“aml”出现≥5次，“score”≥3次，“rule”或“engine”≥2次，否则视为辨识度不足需重生成。
