要用deepseek生成准确、可运行的代码，必须明确功能目标、输入输出格式、运行环境及技术约束：先用精准动词定义核心动作，再限定执行范围与不可妥协条件，嵌入真实数据样例对齐格式，最后指定函数签名、命名规范、容错逻辑和纯代码输出要求。
☞☞☞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☜☜☜
要用DeepSeek生成准确、可运行的代码，必须让模型清楚知道你要做什么、输入什么样、输出什么样、用什么环境运行——模糊说“写个脚本”或“处理一下数据”大概率会返回通用模板甚至语法错误。
先说清楚“做什么”：功能目标要像给同事提需求一样具体
第一步：用一句话定义核心动作，动词必须精准。例如不是“整理数据”，而是“从3个Excel文件中提取‘订单号’和‘实付金额’两列，按订单号去重后合并为单个CSV”。
第二步：明确执行主体和边界。比如“只处理当前目录下以sales_开头的.xlsx文件”，而不是“处理所有Excel”——后者会让模型擅自引入glob或os.walk，可能读到你不想要的测试文件。
第三步：指出不可妥协的约束条件。【必须写明Python版本、是否允许第三方库、能否访问网络】。例如：“用Python 3.10，仅限标准库，不调用任何API，不写try-except以外的异常处理”——这直接决定生成代码的兼容性和安全性。
再给它“看得见”的输入和输出样例
方法一：在提示词里嵌入真实格式片段
粘贴两行典型输入（如CSV头+1行数据）和对应期望输出（JSON结构/文件名/控制台打印效果），用“输入示例：”“输出应为：”明确分隔。模型对齐格式的能力远强于纯文字描述。
方法二：用代码注释方式标注关键字段
例如：“输入文件data.csv含列：id（整数）、name（字符串）、score（浮点数）；输出要求：筛选score≥85的行，保留id和name，写入result.json，每条记录为{'uid': id, 'full_name': name}”。这种写法能防止模型错把name当数字处理。
注意：样例必须与你真实数据结构一致。如果实际CSV用分号分隔却给逗号样例，生成的pandas.read_csv会直接报错。
最后补上技术细节，堵住常见翻车点
① 指定函数签名或入口逻辑：写“生成一个名为process_files()的函数，接收file_list: List[str]参数，返回Dict[str, float]”比“写个处理文件的代码”可靠十倍。
② 约束命名风格：加一句“变量名用英文snake_case，不要拼音缩写”可避免生成df、tmp、a1这类难维护的名称。
③ 明确容错要求：如果输入可能为空，写“当输入列表为空时，函数应返回空字典，不抛异常”——否则模型默认按理想情况编码，上线就崩。
④ 锁定输出格式：结尾强制声明“只输出可直接保存为.py文件的纯代码，不要任何解释、markdown标记、注释块或示例调用”。否则你会复制到一堆“```python”和“# 示例用法”。
