向DeepSeek有效反馈错误需提供完整堆栈、运行环境、变量快照、最小复现代码、预期与实际差异，并采用结构化提问模板。
☞☞☞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☜☜☜
如果您将DeepSeek生成的代码直接运行后出现报错，问题往往不在于模型本身，而在于缺乏对错误上下文的精准反馈。以下是向DeepSeek有效提供错误日志的几种方式：
一、复制完整错误堆栈并标注运行环境
DeepSeek需要明确知道报错发生的具体位置、异常类型及所处环境，才能准确定位问题根源。仅说“代码报错”无法触发有效修正。
1、在终端或IDE中完整选中从报错第一行（如Traceback）到最后一个文件路径和行号的全部文本。
2、在粘贴前添加一行说明：运行环境：Python 3.11.9 + Windows 11 + PyTorch 2.3.0。
3、确保包含最后一行异常类与消息，例如：ValueError: expected input to have 3 channels, but got 1 instead。
二、截取关键变量状态快照
静态日志不足以反映动态执行时的数据形态，补充输入/输出的实际结构可帮助DeepSeek识别类型或维度误用。
1、在报错行前插入调试语句，如print(f"input.shape: {x.shape}, input.dtype: {x.dtype}")。
2、运行后复制该行输出，紧接在错误堆栈下方粘贴。
3、若涉及字典或列表，使用pprint.pprint(data)而非print(data)，确保嵌套结构清晰可见。
三、提供最小可复现代码片段
DeepSeek难以从数百行工程代码中定位问题，需剥离无关逻辑，保留触发报错最简路径。
1、新建空白文件，仅写入导入语句、出问题的函数定义、构造典型输入数据的3–5行代码、以及调用该函数的一行。
2、确认该精简版仍能稳定复现相同错误。
3、将此代码块用三个反引号包裹，并标注语言：```python。
四、明确指出预期行为与实际差异
模型需理解“哪里不符合预期”，否则可能修正错误方向。模糊描述会导致修复偏离真实需求。
1、单独起一段写明：我期望模型输出一个 shape=(1, 3, 224, 224) 的张量，但实际抛出 RuntimeError: Input type (torch.FloatTensor) and weight type (torch.cuda.FloatTensor) should be the same。
2、避免使用“结果不对”“功能失效”等笼统表述，必须给出具体值、形状、设备位置或返回内容。
3、若错误随输入变化，注明触发条件，例如：当输入图像为灰度图（单通道）时出错，RGB图正常。
五、禁用模糊提问，启用结构化提问模板
自然语言中的歧义会显著降低DeepSeek解析精度，结构化输入能强制聚焦关键维度。
1、按顺序组织信息：【错误日志】→【运行环境】→【输入数据样例】→【期望输出】→【已尝试的修改】。
2、每部分用空行分隔，不使用项目符号或缩进，仅靠段落换行区分。
3、在首句直接点明诉求：请基于以下错误日志，修改 forward() 函数中的张量设备对齐逻辑，确保 CPU 输入不触发 CUDA 类型冲突。
