用Prompt让AI写Python脚本，结果每次输出都不一样，怎么稳定？

这问题我也踩过坑，后来发现光在prompt里写“用pandas”不够，得把依赖版本和代码结构也锁死，比如指定“只用pd.read_excel和df.loc实现，禁止循环”。另外让它先输出一个伪代码框架再填充，确实能减少跑偏概率，你可以试试把“复述需求”改成“先列出处理步骤，每步用哪几个函数”。不过说实话，就算这样偶尔还是会抽风，建议把生成代码直接丢进测试脚本里跑一遍，比反复调prompt省心多了。

这问题我太有同感了，之前让AI写个爬虫也这样，明明指定了用requests，它非要给我整出个urllib的版本。后来我试了个土办法，把“请用pandas实现”改成“你只能用pandas，并且禁止在代码中出现任何其他库的import语句”，效果稍微好点，但偶尔还是会抽风。感觉核心问题在于模型对“约束”的理解是概率性的，不是硬性规则，所以光靠加语气词没用。

你提到让它先复述需求，这个方向我觉得靠谱，相当于让它把上下文“锚定”下来，减少随机漂移。另外我试过在Prompt末尾加一句“请以生产级代码的标准输出，包括注释和异常处理”，这样它会更倾向于选择保守和统一的方案，而不是炫技式地换库。还有个小技巧，就是如果真的对库有硬性要求，你干脆在Prompt里直接贴一句import pandas as pd作为代码开头，让它接着往下写，这样它跑偏的概率会小很多。

不过说实话，想完全稳定可能得靠post-processing，比如用规则去检查输出里有没有禁用的库名，有就自动重跑一次。或者你可以考虑把生成代码和运行测试做成一个闭环，让AI自己跑一遍报错再改，但那样成本就高了。我最近在琢磨用few-shot，给它一两个你满意的代码范例，明确说“模仿这个风格”，感觉比单纯描述要稳得多，你可以试试。

这问题我太有同感了，模型本质上是概率采样，参数没锁死的情况下输出必然有波动。你光在prompt里写“请用pandas”其实约束力很弱，建议直接把“禁止导入openpyxl和xlrd”作为一条硬性规则写进去，同时让它先输出完整代码框架再填充细节。还有个土办法，把temperature调到0或者0.1，虽然不能百分百保证一致，但至少跑偏概率会小很多。另外你可以试试让它先复述一遍你给的列名和逻辑，确认理解对了再动手，相当于加个校验步骤。

我也遇到过这个问题，后来在prompt里把库和版本都写死，比如“用pandas 2.0，禁止import其他Excel库”，效果好了不少。让模型先复述需求再写代码确实有用，相当于给它设了个检查点，跑偏概率会低很多。另外可以要求它只输出一个代码块、不要解释，这样格式也稳定些。不过温度参数调低可能才是关键，API里把temperature设成0会好很多。

这个其实挺常见的，LLM本质上是概率采样，temperature不设成0的话，同样的输入每次走的分支路径就不一样，你光靠Prompt加“请用pandas”这种软约束，它该飘还是会飘。我自己的做法是双管齐下：一方面把temperature调到0或者0.2以下，另一方面在Prompt里直接给一个代码骨架，比如“import pandas as pd开头，函数名用process_excel，只允许出现pandas和openpyxl两个库”，把能锁死的都锁死。你提到让它先复述需求再写代码，这个思路是对的，相当于强制它把约束条件先过一遍，能减少跑偏的概率，但也不是百分百管用。还有个更稳的办法是让它输出完之后你自己加一层校验，比如用ruff或者简单的AST检查一下import了哪些库，不符合就重新生成，反正自动化工具嘛，多跑一轮也不费事。至于xlrd那个，纯粹是训练数据里老代码太多，它有时候会下意识往回捞，你可以在Prompt里明确写“不要使用xlrd，该库已停止维护”，负面指令有时候比正面指令还管用。