优化代码需明确语言及版本、提供完整上下文、限定输入输出与异常处理：如“Python 3.9”“Flask 2.3.3”，粘贴含 import 和变量的函数片段，注明接口请求头与响应结构，定义输入类型/边界，强制捕获 URLError 等真实异常，指定输出字段及存在条件。
☞☞☞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☜☜☜
通义千问优化代码时，若不提供运行环境、依赖版本、输入输出特征等关键背景，模型极易生成语法正确但无法落地的伪代码——比如用 Python 3.12 的 `match-case` 重写一个需兼容 3.8 的服务脚本，或给没装 `pandas` 的轻量级容器补全缺失的 `import`。
必须声明编程语言与具体版本
在提示词开头直接写明语言及版本号，例如“请用 Python 3.9 优化以下代码”，不能只说“用Python”。【未声明版本时，模型默认使用最新稳定版，可能引入不兼容语法】
若涉及框架，同步标注版本：如“使用 Flask 2.3.3 重构路由逻辑”，避免模型按 Flask 3.x 的新 API 生成 `@app.get()` 形式而报错。
必须粘贴可执行的上下文片段
方法一：复制出错函数的完整定义，包括其所在类、前导 import 和紧邻变量声明。例如：
“现有代码：
import re
pattern = r'\d{4}-\d{2}-\d{2}'
def parse_date(text):
return re.search(pattern, text).group()”
方法二：若调用外部接口，注明请求头、认证方式与响应结构。例如：“该函数调用 /api/v2/orders，需携带 X-Auth-Token: Bearer xxx，返回 JSON 含 order_id（字符串）、items（数组）、total（数字）三个字段。”
这一步漏掉任何一行 import 或变量初始化，模型就可能凭空造出未定义的 `df` 或 `session` 对象。
必须限定输入类型、边界与异常场景
第一步：明确输入参数的类型、是否可为空、典型值范围。例如：“函数接收一个非空字符串 url，如 'https://example.com/path?x=1'，长度不超过 2048 字符。”
第二步：强制要求处理至少一种真实异常。例如：“必须捕获 urllib.error.URLError，并在超时时返回 {'status': 'timeout', 'data': None}。”
第三步：指定输出结构细节。例如：“返回字典，键为 'valid'（布尔）、'domain'（字符串，仅 valid=True 时存在）、'error_msg'（字符串，仅 valid=False 时存在）。”
不写清楚这些，模型大概率只写主流程，忽略空字符串、网络中断、JSON 解析失败等工程中高频问题。
