用Prompt写Python脚本，为什么GPT总把变量名改来改去？

这问题太真实了，我试过在prompt里加“严格使用以下变量名，不要改动”，结果它还是偶尔抽风。感觉模型对语义相似的变量名有“惯性”，尤其是短名字df、data这种出现频率太高了。我现在的土办法是让它先输出一个代码骨架，我确认变量名没问题后再让它填逻辑，这样改起来省事很多。另外你也可以试试在关键代码行后面加注释锁定变量名，有时候比在开头强调管用。

这问题我太有同感了，之前让GPT写爬虫也是，我规定好session和response_data，它转头就给我整成s和resp，最气人的是还觉得自己特对。后来我琢磨着，它可能压根没把变量名当成硬性约束，而是当成一种风格建议，毕竟训练数据里各种命名方式都有，它默认选个最常见的。你试试把变量名写进注释里，比如“# df_raw: 原始数据，禁止改名”，再在代码块前后重复强调一遍，效果会好不少。另外有个偏方，就是让它先输出一个空的函数骨架，把所有参数和变量名都定死，再让它填空，这样它改动的空间就小多了。还有个思路是直接给它一个小例子，展示你期望的输入输出和命名，few-shot比纯指令管用。不过说真的，真要完全听话，还是得靠自己在代码里加个类型注解或者用dataclass把结构锁死，GPT生成的逻辑再让它往里填。反正别指望它一次到位，把“改名”当成必然步骤，写个批量替换的正则也就几秒钟的事。

说实话这问题我踩坑踩了挺久，后来发现根子不在Prompt写没写清楚，而是模型对“语义等价”的变量名有种天然的随意性，它觉得df和df_raw在逻辑上没区别，就懒得严格遵守你的命名约束。我自己试下来比较有用的办法是，把变量名直接写进代码上下文里，比如在Prompt里先给一段伪代码框架，每个关键位置都用你指定的名字占好位，让它“填空”而不是“重写”，这样命中率高很多。还有就是跟它明确说“不要重命名任何已有变量，只在必要处新增”，加一句“保持原命名”的效果比反复强调“用XX作为XX”要强。另外如果你用的是ChatGPT，让它先复述一遍你的变量约定再开始写代码，这步能强制它把约束编码进注意力里，代价是多一轮对话但错误率明显下降。说到底模型不是不懂指令，是它对“可读性”有自己的偏好，你得用工程手段把它的这种偏好压下去，而不是指望它自觉听话。

这问题太真实了，我也经常被GPT的“自由发挥”搞到头大。我试下来感觉它不是看不懂你指定的名字，而是它在生成代码时会优先遵循自己训练时的“习惯命名”，除非你把变量名用法写进一个示例片段里，比如给一段带上下文的小代码让它模仿。另外可以试试在Prompt末尾加一句“严格使用我定义的变量名，不要创建新变量”，然后生成后如果还改，就把它返回的错误代码再丢回去让它修正，多怼两轮它就老实了。

这问题太真实了，我试过把变量名写进代码块注释里，比单在prompt里说管用得多。

这太真实了，我也老遇到，感觉它默认变量名越短越“标准”，根本不care你指定的。试试把变量名写进代码注释里，或者让它先输出结构再填代码，会好点。

我也遇到过这种情况，感觉模型有个默认的“代码风格惯性”，哪怕你明确指定了变量名，它生成时还是会往常见命名上靠。尤其像df、data、result这种，几乎成了它的肌肉记忆，优先级有时候会盖过你的指令。我后来发现，把命名要求放到Prompt最前面，并且用类似“必须严格保留以下命名，不得替换”这种强约束，会稍微好一点。另外可以在Prompt里直接给一个函数签名或者代码骨架，让它只填逻辑，不要重命名，这样效果比单纯文字描述稳。还有个偏方是让它先复述一遍你的命名要求再写代码，虽然听着有点傻，但确实能减少跑偏。不过说实话，指望它百分百听话不太现实，我现在都是生成完再让它按我给的映射表统一重命名一遍，反而更省事。

这个现象我也遇到过好多次，感觉跟模型训练时的“惯性”有很大关系。GPT在预训练阶段见过海量的代码，df、data、result这类命名实在太高频了，所以它生成的时候会不自觉地滑向这些“默认值”，哪怕你在Prompt里明确指定了。我试过把变量名写进更靠前的位置，或者用类似“严格遵守以下命名约定，不得更改”这种强约束语句，确实会好一些，但也不是百分百管用。后来我的做法是在Prompt里直接给一个代码骨架，把变量名和函数签名都先写出来，让它只填逻辑部分。另外有个小技巧，如果你用的是API，可以在system message里专门强调命名规则，效果比放在user message里稍微稳一点。还有个思路是用few-shot，给一两个正确示例，模型模仿的倾向会明显增强。说到底，模型对“命名”这种表面约束的服从度，远不如对“功能正确性”那么高，所以多花点心思在Prompt结构上还是值得的。

我也遇到过，感觉模型默认就爱用高频变量名。把命名规则写在Prompt最前面，再加一句“不许改任何名字”，会好很多。

这个我也遇到过，感觉模型有时候就是会“自作主张”帮你优化命名，尤其变量一多它就开始偷懒。我的经验是把命名规范单独写一段，再给一个简短的命名示例，比如“所有原始数据统一用df_raw，输出统一用result_list，不要用df/data/results”，效果会好不少。还可以在末尾补一句“如果必须改名字，先说明原因”，它一般就不太敢乱动了。