判断代码是否能运行：能运行但效果不佳→解释优化路径；不能运行→测试路径。解释优化需明确归因、目标、约束和输出格式；测试需提供最小复现代码、环境、现象及预期目标。
☞☞☞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☜☜☜
在Perplexity中查AI编程代码问题时，必须先判断当前需求是解释优化逻辑还是验证运行效果：已有可执行代码但行为异常→走测试路径；代码能跑通但想提升性能/可读性/鲁棒性→走解释优化路径。这个判断直接决定后续提问结构是否触发模型的分析模式或验证模式。
区分解释优化与测试的二选一判断法
打开Perplexity输入框前，盯着自己屏幕问一句：【这段代码当前是否能成功运行，但输出结果、内存占用、响应延迟或错误处理方式不符合预期？】
是→走解释优化路径；否→走测试路径。
如果代码连SyntaxError都报出来，却只写“怎么改”，Perplexity会默认进入优化语境，把语法错误当成风格建议来回应——比如给你加类型提示，却不修漏掉的冒号。
解释优化类提问：三要素锁定改进方向
方法一：用“请解释……并优化……”句式
例如：“请解释这段PyTorch DataLoader代码中num_workers=4导致worker timeout的原因，并优化为支持Windows平台且不阻塞主线程的实现。”
这句里，“解释原因”明确要求归因分析，“优化为……”定义改造目标，“支持Windows平台且不阻塞主线程”是不可妥协的约束条件——缺任何一项，AI可能只给个理论说明，或返回Linux专用方案。
方法二：指定优化维度防泛泛而谈
在基础需求后追加：“重点优化CPU缓存局部性，不要改动batch_size和transform逻辑。”
不加这句的话，AI大概率重写整个Dataset类，而你实际只想调整__getitem__里的tensor拼接顺序。
方法三：限定输出粒度
访问Perplexity AI官网，体验新一代AI搜索引擎。通过自然语言提问，实时获取精准答案与权威引用，告别无效链接。支持深度研究、文件分析与多平台同步，让知识探索更高效。
结尾补上：“只输出修改行+上下文3行，用diff格式标注增删，不输出完整文件。”
测试类提问：四步闭环确保可复现
第一步：提供最小可复现代码块
粘贴出问题代码段（必须含import、关键变量初始化、调用入口），不能只贴函数体。
第二步：声明真实运行环境
写明：“Python 3.11.9 + PyTorch 2.4.1 + CUDA 12.4，运行于WSL2 Ubuntu 22.04。”
第三步：描述实际现象
写清：“调用model.forward()后GPU显存持续增长，第7轮迭代时OOM，但torch.cuda.memory_allocated()显示仅占用1.2GB。”
第四步：给出预期目标
用固定句式收尾：“这段代码应在10轮内稳定运行，峰值显存≤2.5GB，请指出泄漏点并给出修复代码。”
注意：不能只写“为什么显存涨”，也不能只写“帮我看看”。
