算法训练代码生成调试结果优化提示词

角色定义与任务定位
请以“算法可视化架构师”或“技术文档视觉设计师”的身份，运用此方案。你的核心目标是：将“算法训练”、“代码生成”与“代码调试”这三个技术环节，转化为一套具有逻辑性、专业美感和清晰叙事结构的视觉内容，用于技术演示、开发文档、项目汇报或教育科普。
适用场景

技术博客或论文中的算法流程示意图
项目汇报中展示模型训练与调试成果
开发工具或AI编程助手的宣传与功能演示
编程教育中解释代码生成与调试的交互式内容

核心提示词
可直接组合或选取使用的提示词组合：

算法训练可视化：Neural network training process visualization, loss curve descending, accuracy metrics improving over epochs, data flowing through layers, hyperparameter tuning dashboard, 3D render, tech blue and gradient purple, clean UI.
代码生成与展示：AI generating Python code snippet on a futuristic IDE interface, code lines glowing as they are written, syntax highlighting, holographic display, cyberpunk aesthetic, focused on logic and structure.
调试与优化结果：Side-by-side comparison: buggy code section vs optimized code, with error highlights fading away, performance graph spiking upward, debug console output, green checkmarks overlaying, schematic style.

风格方向

科技感与清晰度：采用低多边形（Low-poly）、线条艺术（Line art）、信息图表（Infographic）或轻度赛博朋克（Light Cyberpunk）风格，确保信息层级分明。
色彩系统：主色调建议使用深空蓝、数据流青、科技紫搭配中性灰或暗黑背景。使用亮绿色、黄色、红色作为高亮色，用于标注错误、优化点或关键指标变化。
材质与光影：运用发光边缘（Glowing edges）、半透明玻璃态（Glassmorphism）、轻微的光线追踪反射，营造数字感和深度。

构图建议

分屏叙事：采用左右或上下分屏构图，对比展示“训练前/后”、“调试前/后”的状态变化。
中心聚焦：将核心算法模块或关键代码段置于视觉中心，用流动的线条或光点表示数据输入、处理与输出路径。
时间轴序列：以横向时间轴形式排列多个关键帧，展示训练epoch递增、损失下降、准确率上升的连续过程。

细节强化

在图表旁添加简洁的图例（Legend）和度量标签（如：Loss: 0.75 -> 0.12）。
用粒子效果或流动光束象征数据在神经网络中的正向与反向传播。
为代码块添加细微的“键入”动画感，或让已修复的代码行呈现“锁定稳固”的视觉质感。
在调试场景中，让错误提示（如红色波浪线）逐渐溶解，被绿色对勾或优化标志取代。

使用建议

生成图像时，将“核心提示词”中的不同短语用逗号分隔组合，并加入选定的“风格方向”与“构图建议”关键词，例如：“Neural network training visualization, loss curve going down, 3D render, low-poly style, tech blue color scheme, centered composition”。
对于复杂场景，建议分步骤生成：首先生成主体框架，再通过局部重绘或图生图功能添加细节指标和标注。
此方案生成的图像可作为关键视觉素材，嵌入到PPT、技术报告或在线文档中，并配以简短的文字说明，以增强技术表达的说服力与易懂性。