关键在于提示词需精准约束配置项识别边界和默认值继承机制：开头明确定义目标与默认值锚点，限定config字典传参及多级键存在性要求，并强制保留原始控制流与副作用。
☞☞☞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☜☜☜
要让ChatGPT把一段固定逻辑的脚本改写成可配置版本，同时确保所有未显式配置的参数自动回退到原始默认值，关键在于提示词必须精准约束“配置项识别边界”和“默认值继承机制”。
明确声明配置意图与默认值锚点
在提示词开头直接定义目标：“请将以下脚本重构为支持外部配置的版本，所有原硬编码参数必须转为可选配置项；未提供配置时，行为必须与原始脚本完全一致。”
紧接着粘贴原始脚本，并在下方用注释块标出所有当前默认值：// 默认值锚点：timeout=30, retry=3, format='json', debug=False。
这一步不能省略——没有显式锚点，模型可能把常量、字符串字面量甚至魔法数字都当成可配项，导致默认行为漂移。
限定配置方式与结构格式
方法一：要求使用 Python 字典作为配置入口点。
添加指令：“配置必须通过一个名为 config 的 dict 参数传入，键名严格对应锚点中列出的参数名；config 中未出现的键，必须使用锚点声明的默认值。”
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
方法二：支持多层级配置但禁止嵌套覆盖。
补充说明：“若 config 包含 nested 字段（如 config['api']['timeout']），仅当该路径完整存在时才生效；任何中间键缺失（如 config['api'] 不存在），则整条路径回退到锚点默认值，【不允许 fallback 到上层默认或空值】。”
强制保留原始执行流程与副作用
第一步：逐行比对原始脚本控制流，禁止插入新分支、删除日志、合并条件判断。
第二步：所有 if/for/try 块内部的变量引用，必须保持原样；仅将具体值替换为 config.get('key', DEFAULT_VALUE) 形式。
第三步：原始脚本中调用的函数、打开的文件路径、发送的 URL 字符串，只要不是锚点所列参数，一律不得改动——哪怕看起来像“可以配置”，也必须保留硬编码。
这一步最容易出错：模型倾向“优化”掉重复代码或“统一”相似字符串，结果导致 mock 测试失败或 API 路径变更。
