答案是提问需精准定位报错锚点、压缩为“动词+对象+失败现象”三要素句式，并附加明确指令与环境约束。先复制终端最后一行错误（如brokenpipeerror），再用具体api名、操作动作、精确错误字符串组织问题，末尾注明pytorch版本等关键参数并删除主观表述。
☞☞☞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Monica AI分析一段AI相关代码并提问时，如果得到的回答泛泛而谈、偏离实际调试需求，往往不是模型能力问题，而是你输入的问题本身没把真实卡点说清楚——比如你其实卡在PyTorch DataLoader多进程报错，却只问“这段代码有什么问题”。
先定位：不是问“代码有没有错”，而是问“我在哪一步被拦住了”
打开你正在调试的代码文件，把光标停在报错行或行为异常的函数调用处。不要从头读代码，直接看终端最后一行红色错误信息（比如BrokenPipeError: [Errno 32] Broken pipe），把它复制下来——这是你问题的锚点，不是“代码逻辑不对”，而是“执行到data_loader = DataLoader(...)就崩了”。
这一步漏掉，后续所有提问都会漂移。Monica AI不会主动帮你反向定位报错源头，它只响应你给的上下文。
再压缩：用“动词+对象+失败现象”三要素组织一句话
方法一：直接套用模板
“调用model.eval()后，torch.no_grad()块内仍触发梯度计算，导致RuntimeError: leaf variable has been moved into the graph interior。”
方法二：删掉所有背景铺垫
❌ “我正在复现一篇论文，用了官方GitHub仓库的代码，但训练loss不下降……”
✅ “验证阶段调用model(input).detach().cpu().numpy()时抛出RuntimeError: Can't call numpy() on Tensor that requires grad。”
【必须包含具体API名、明确操作动作、精确错误字符串】，缺一不可。省略API名（如只说“模型输出转numpy失败”）会让AI默认你在用TensorFlow或旧版PyTorch。
最后加约束：告诉Monica你要什么，而不是让它猜
第一步：在问题末尾追加一句指令性要求。
例如：“请指出该错误对应的PyTorch版本兼容性变更，并给出两行可直接替换的修复代码。”
第二步：如果涉及环境，用括号注明关键参数。
比如“(PyTorch 2.1.0 + CUDA 12.1 + Windows)”——Linux下fork和Windows下spawn的DataLoader行为完全不同，不写清系统，AI可能推荐根本不可用的方案。
第三步：删除所有主观描述。
删掉“我觉得”“好像”“似乎”，这些词会稀释问题密度。Monica AI不处理模糊信号，只处理确定性输入。
