CodeGeeX生成Scikit-learn标准流程需结构化提示：一、显式分四阶段指令；二、分段生成可组合代码块；三、模板填充控制格式；四、上下文感知迭代补全；五、基于报错反向修正提示。
☞☞☞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☜☜☜
如果您使用CodeGeeX生成Python机器学习模型，但未形成可执行的Scikit-learn标准流程，则可能是由于提示词缺失关键结构要素或未明确指定数据处理与建模阶段。以下是多种可行的生成路径：
一、通过结构化自然语言指令触发完整流程生成
CodeGeeX对指令结构敏感，需显式划分数据加载、预处理、训练与评估四个阶段，以引导其输出符合sklearn规范的端到端代码。该方法依赖高质量提示工程，避免模糊表述。
1、在CodeGeeX编辑器中输入：“生成一个完整的Python脚本：使用sklearn加载鸢尾花数据集，划分训练测试集（7:3），对数值特征做标准化，用随机森林分类器训练，并输出准确率。”
2、确认生成代码中包含from sklearn.datasets import load_iris、train_test_split、StandardScaler、RandomForestClassifier和accuracy_score等关键模块导入。
立即学习“Python免费学习笔记（深入）”；
3、检查是否出现pipeline = Pipeline([('scaler', StandardScaler()), ('rf', RandomForestClassifier())])结构，若存在则说明流程已模块化封装。
二、分段式提示强制生成可组合代码块
将sklearn建模流程拆解为独立语义单元，分别向CodeGeeX发起请求，再人工拼接。此方式规避单次长提示导致的逻辑跳变或模块遗漏，确保每部分功能原子化、可验证。
1、首条提示：“仅生成sklearn数据预处理管道代码：对数值列用StandardScaler，对类别列用OneHotEncoder；输入变量名为X，列名列表为numeric_features = ['age', 'income']，categorical_features = ['gender', 'region']。”
2、第二条提示：“仅生成模型训练与预测代码：使用LogisticRegression，设置max_iter=1000；fit前需调用preprocessor.fit_transform(X_train)，predict时使用preprocessor.transform(X_test)。”
3、第三条提示：“仅生成评估代码：计算混淆矩阵、分类报告、F1宏平均分；要求使用y_true和y_pred变量，不引入新数据加载语句。”
三、基于模板填充式提示控制输出格式
提供带占位符的sklearn标准模板，让CodeGeeX仅替换具体组件，从而保证骨架合规。该方法适用于已有项目框架但需快速补全模型逻辑的场景。
1、输入如下模板（保留注释与缩进）：
“# DATA LOADING
from sklearn.datasets import {{dataset}}
data = {{dataset}}.load_{{name}}()
X, y = data.{{feature_attr}}, data.{{target_attr}}
# PREPROCESSING
from sklearn.preprocessing import {{scaler}}
scaler = {{scaler}}()
X_scaled = scaler.fit_transform(X)
# MODEL & EVALUATION
from sklearn.{{module}} import {{estimator}}
model = {{estimator}}({{params}})
model.fit(X_scaled, y)”
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
2、在模板中将{{dataset}}替换为“load_breast_cancer”，{{name}}替换为“breast_cancer”，{{feature_attr}}替换为“data”，{{target_attr}}替换为“target”，{{scaler}}替换为“StandardScaler”，{{module}}替换为“ensemble”，{{estimator}}替换为“RandomForestClassifier”，{{params}}替换为“n_estimators=100, random_state=42”。
3、提交后检查生成代码是否严格维持原始模板层级与空行结构，且无额外解释性文本或Markdown渲染符号。
四、利用CodeGeeX的上下文感知补全能力迭代生成
在已有Python文件中编写起始代码行，将光标置于待补全部位，触发CodeGeeX自动续写。该方法依赖局部上下文连贯性，适合在Jupyter Notebook或VS Code中实时构建流程。
1、在代码单元格中键入：
“from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(”
2、按下Tab或Alt+Enter激活补全，观察是否自动补出“X, y, test_size=0.3, random_state=42, stratify=y)”并换行。
3、在下一行输入：“from sklearn.ensemble import ”，等待补全建议弹出“RandomForestClassifier”，选中后继续输入“.fit(”。
4、补全引擎应识别前文变量名，推荐“X_train, y_train”作为参数，若未出现则手动补入并验证括号闭合与缩进正确性。
五、通过错误反馈反向修正提示词
当CodeGeeX首次生成结果报错（如MissingModuleImport、AttributeError或ShapeMismatch）时，将报错信息与原始提示合并重构，形成纠错型提示，提升下一轮生成准确性。
1、记录首次生成代码运行时报错内容，例如：“ValueError: Found array with 0 sample(s) (shape=(0, 4)) while a minimum of 1 is required.”
2、构造新提示：“修正以下问题：train_test_split返回空数组，因输入X和y未定义。请先用load_iris()生成X和y，再执行划分；确保test_size设为0.3且不使用random_state=0（避免极端分割）。”
3、粘贴上一轮生成的含错代码片段至提示末尾，并添加说明：“请仅修改标有# ERROR HERE的行，其余代码结构保持不变。”
