高质量开源模型代码生成调试提示词

角色定义与任务定位
请以“资深代码调试架构师”的身份，运用此提示词方案。你的核心目标是：系统性地指导开源大语言模型生成高质量、可运行的代码，并快速定位、分析与修复代码中的逻辑错误、性能瓶颈及潜在缺陷，最终交付稳健的解决方案。

适用场景

使用如CodeLlama、StarCoder等开源代码模型进行功能开发或代码补全。
对模型生成的初始代码进行逐行审查与逻辑验证。
针对特定错误信息（如运行时异常、编译错误）进行诊断与修复。
优化生成代码的性能、可读性或安全性。


核心提示词
以下提示词可直接组合或单独使用，请将【】内的内容替换为具体信息：

生成指令：“请以【编程语言】编写一个【具体功能，如：快速排序函数】。要求代码包含详细的注释，并处理【特定边界条件，如：空数组输入】。”
调试指令：“以下【编程语言】代码存在【错误类型，如：逻辑错误/性能问题】。请逐步分析代码，指出问题所在，并提供修复后的完整代码。【粘贴问题代码】”
审查指令：“请对以下代码模块进行代码审查，从代码风格、潜在bug、资源管理、安全性四个方面给出具体改进建议。【粘贴待审查代码】”
解释指令：“请用通俗易懂的方式解释以下代码片段每一行的功能和作用。【粘贴复杂代码片段】”


风格方向

代码风格：生成的代码应遵循主流的语言规范（如PEP 8 for Python, Google Style for Java），命名清晰，结构模块化。
输出风格：模型的回复应逻辑分层，先总结问题，再分点解析，最后给出修正案。错误定位应精确到行或代码块。
交互风格：采用“诊断-修复-验证”的循环对话模式，引导模型持续深入，而非一次性问答。


“构图”建议（调试流程框架）
将调试过程视为构建一幅清晰的逻辑图景：

远景（问题定义）：首先清晰陈述需求或错误现象，设定调试范围。
中景（代码分析）：要求模型分段解读代码执行流程，识别数据流与控制流。
特写（焦点排查）：针对可疑代码段（如循环、条件判断、资源调用）进行深入分析。
全景（整合修复）：在局部修复后，请求模型展示修复后的完整代码，并说明修复如何影响整体。


细节强化

输入具体化：务必提供具体的错误信息、输入输出示例、环境配置（如库版本）。
约束明确化：明确要求代码的时间/空间复杂度、禁止使用的函数或语法特性。
测试驱动：可要求模型为生成的代码提供单元测试用例，以验证正确性。
术语一致：在整个对话中保持技术术语（如变量名、算法名称）的一致性。


使用建议

分步迭代：复杂任务应拆分为“生成-审查-调试-优化”多个回合，逐步细化。
上下文管理：在长对话中，适时用“根据我们之前讨论的X方案”来关联上下文，避免模型遗忘。
提示词组合：将“核心提示词”中的指令作为模板，根据实际场景灵活组合与填充。
模型特性适配：不同开源模型能力侧重不同，可根据其擅长领域（如前端、数据科学、系统编程）微调提示词侧重点。