id="content_views">

前言

在AI驱动开发的时代，提示词（Prompt）是连接人类需求与AI能力的核心桥梁。

尤其对于爬虫+神经网络这类技术密集型项目，优秀的提示词能让AI精准输出可用代码、高效解决调试问题，甚至缩短50%以上的开发周期。

本文将先拆解优秀提示词的核心条件，再以“图片爬虫+ResNet18分类模型”项目为案例，复盘从初始需求到最终落地的全流程提示词设计与迭代，带你掌握技术类项目的提示词工程技巧。

一、优秀提示词的核心条件（技术开发场景专属）

结合提示词工程理论与实操经验，优秀的技术类提示词需满足「五大核心条件」，既兼顾通用逻辑，又适配代码开发、调试优化的特殊需求，具体如下：

1.

目标明确性：精准锁定“做什么+要什么”

拒绝模糊表述，需明确任务边界、技术目标与输出要求，让AI无需猜测。

核心是“不遗漏关键约束”，比如技术栈、功能范围、输出格式。

-

反例：“帮我写个爬虫爬图片，再做个分类模型”（无技术栈、无目标对象、无输出标准）；

-

正例：“用Python+Selenium（Edge浏览器）爬取百度图片中‘少年带土’前20张图片，按人物名称创建文件夹存储，代码需包含异常处理和详细注释”。

实操要点：技术场景中需额外明确“输出物形态”（如可运行代码、模块拆分、注释要求），避免AI输出伪代码或残缺逻辑。

2.

场景具象化：绑定“角色+环境+约束”

给AI设定清晰角色与开发环境，同时明确技术约束（必用/禁用方案），让输出更贴合实际开发场景。

技术项目中，“环境前提”和“技术限制”是具象化的核心。

-

示例：“作为资深PyTorch工程师，基于我已整理的火影人物图片数据集（6类，每类20张，按文件夹分类），用ResNet18迁移学习实现分类模型，要求不使用TensorFlow，适配Python3.7版本，显存限制8G”。

实操要点：角色设定需匹配任务难度（如“爬虫工程师”“神经网络专家”），环境信息需包含版本、硬件限制、数据集情况，技术约束需明确“必选工具”和“排除项”。

3.

逻辑结构性：拆解“步骤+优先级”

复杂项目需按开发流程拆分需求，明确步骤顺序与优先级，帮助AI建立清晰的执行框架。

尤其适合“爬虫→数据处理→模型开发→优化”这类多环节任务。

-

示例：“分两步实现项目：第一步，开发百度图片爬虫，需支持多人物批量爬取、图片去重；第二步，基于PyTorch搭建分类模型，优先保证代码可运行，再优化准确率。

每步代码需独立成模块，附带调用说明”。

实操要点：技术项目可按“流程阶段”或“功能模块”拆分，同时标注优先级（如“先保证运行，再优化性能”），避免AI本末倒置。

4.

细节完整性：补充“参数+反馈机制”

技术开发的卡壳多源于细节缺失，优秀提示词需提供关键参数（如路径、接口信息），并预留动态反馈通道，方便迭代优化。

-

示例：“爬虫代码中，EdgeDriver路径为r"C:\Users\86139\AppData\Local\Programs\Python\Python37\Scripts\msedgedriver.exe"，爬取关键词包括‘少年带土’‘鹰佐’等6个角色；若运行报错，先分析错误原因，再提供修改后的完整代码”。

实操要点：关键参数（路径、版本、硬件参数）需精准提供，同时明确“错误反馈方式”，让AI能基于报错信息定向修正。

5.

动态可调性：预留“迭代优化空间”

首次提示词无需追求完美，需设计“追加指令”的接口，根据AI输出结果微调需求，尤其适合调试阶段。

-

示例：“先按上述需求开发爬虫代码，运行后若出现‘提取不到图片链接’的问题，再优化定位逻辑，优先使用XPath定位，不依赖类名”。

实操要点：技术项目中可预设常见问题场景，明确优化方向，减少反复沟通成本。

二、项目实战：从提示词到完整落地（爬虫+ResNet18分类）

以下以“火影人物图片爬虫+PyTorch分类模型”项目为核心，按开发流程复盘提示词设计、AI响应、迭代优化的全过程，所有提示词均为实战原版，附设计思路与效果分析。

阶段1：需求初始化——从模糊到明确的首次提示词

用户初始提示词

“帮我爬取百度图片中6个火影人物的图片，每个人物前20张，分别存入对应名称的文件夹；之后用卷积神经网络实现分类模型，能预测单张图片的人物类别。

用Edge浏览器，Python语言。

”

提示词分析

-

优点：明确了核心任务（爬虫+分类）、工具（Edge+Python）、基础需求（6类人物、前20张）；

-

不足：缺少关键细节（驱动路径、图片定位方式、神经网络框架、数据集结构），易导致AI输出通用代码，需二次调试。

豆包响应与迭代

豆包首次输出基础爬虫代码（Selenium+Edge）和简单CNN模型，但未包含具体路径配置、图片定位逻辑模糊。

用户优化提示词（补充细节+结构）：“基于之前的需求，补充以下信息：1.

EdgeDriver路径：r"C:\Users\86139\AppData\Local\Programs\Python\Python37\Scripts\msedgedriver.exe"；2.

爬取关键词：少年带土、白面具、破面带土、青年水门、鹰佐、九喇嘛鸣人；3.

神经网络用PyTorch框架，优先考虑迁移学习（如ResNet18）；4.

分两步输出代码：先爬虫，再分类模型，每步代码需可直接运行，包含异常处理和注释。

”

阶段2：爬虫开发与调试——用精准提示词解决报错

问题场景1：爬虫运行报错“未找到图片容器元素”

用户提示词

“运行你给的爬虫代码后报错：Exception:

未找到任何图片容器元素！

错误位置在第74行。

我用Edge浏览器检查了百度图片页面，img标签的class是img_7rSL，src属性可直接打开完整图片。

请基于这个信息修改代码，优先用src属性提取图片链接，定位逻辑改用XPath，避免依赖易变的类名，确保能爬取到图片。

”

提示词设计思路

-

满足“细节完整性”：提供报错信息、页面元素检查结果（class、src属性）；

-

满足“动态可调性”：明确优化方向（XPath定位、用src属性），直指问题核心。

豆包响应与效果

豆包修改代码，用XPath定位“src属性有效”的img标签，补充页面滚动逻辑触发懒加载，代码运行成功，顺利爬取6类人物各20张图片。

用户二次优化提示词（交互逻辑定制）

“代码已成功运行，帮我修改最后的单张图片预测部分，实现循环输入图片路径预测，输入‘q’可退出，若路径不存在提示错误信息，保留置信度输出。

”

阶段3：神经网络模型开发——技术选型与代码落地

用户提示词

“我已手动筛选完图片，数据集按类别分文件夹存储（路径：D:\无畏时刻\机器学习\vibe

coding火影人物分类\人物分类）。

作为擅长神经网络的专家，用PyTorch+ResNet18迁移学习实现分类模型，要求：1.

保留之前的循环预测逻辑，输入q退出。

不使用混淆矩阵分析，代码可直接运行。

”

提示词设计思路

-

满足“角色具象化”：设定“神经网络专家”角色，明确技术栈（PyTorch+ResNet18）；

-

满足“逻辑结构性”：拆分数据处理、模型构建、训练可视化、预测交互四大需求；

-

满足“技术约束”：排除混淆矩阵，明确数据集路径和拆分比例。

豆包响应与效果

输出完整模块化代码，包含数据增强、ResNet18微调（解冻layer3/layer4）、早停逻辑、训练曲线可视化，代码一次运行成功，初始验证准确率30%。

阶段4：模型优化——针对性提示词提升准确率

用户提示词

“模型运行成功，但验证准确率只有30%，请分析原因并给出优化方案，基于原代码修改：1.

每个类别我会补充到30-50张图片，代码需适配更大数据集。

”

提示词设计思路

-

满足“目标明确性”：核心目标是提升准确率，明确3个优化方向；

-

满足“动态可调性”：结合数据补充计划，让代码适配后续数据集扩容。

豆包响应与效果

修改代码：强化数据增强（随机裁剪、高斯模糊、颜色抖动）、用AdamW分层设置学习率（卷积层1e-5，分类头1e-4）、提升Dropout比例至0.6，优化后准确率提升至78%。

阶段5：最终迭代——完善交互与稳定性

用户提示词

“代码已优化，帮我做最后调整：1.

确保所有路径适配Windows系统，代码可直接运行无需修改。

”

最终效果

代码完全适配需求，支持批量爬取、模型训练、循环预测全流程，验证准确率稳定在78%-82%，交互逻辑流畅，可直接用于火影人物图片分类任务。

三、提示词工程复盘与可复用模板

1.

项目提示词核心经验

-

技术项目中，“报错信息+页面/数据细节”是调试类提示词的黄金组合，能让AI跳过猜测，直接定位问题；

-

迁移学习、爬虫这类专业任务，需在提示词中“锁定技术细节”（如ResNet18微调策略、XPath定位规则），避免AI输出通用方案；

-

迭代式提示词更高效：首次搭框架，后续按“报错→补充细节→优化需求”的节奏微调，比一次性写长篇提示词更精准。

2.

技术类项目提示词可复用模板

【环境前提】已安装：Python3.7、PyTorch2.x、Edge浏览器；已配置：EdgeDriver路径XXX；数据集情况：XXX（类别数、数量、存储结构）；硬件限制：XXX（显存、CPU）

【核心需求】XXX（如“爬虫+ResNet18分类”“批量爬取+单张预测”）

【技术约束】必须用：XXX（工具/框架/策略，如Edge+Selenium、ResNet18迁移学习）；禁止用：XXX（如TensorFlow、混淆矩阵）

【步骤与优先级】1.

第一步XXX（如爬虫开发），优先保证XXX（如图片提取成功）；2.

第二步XXX（如模型训练），优先保证XXX（如可运行性）

【关键细节】XXX（如路径、页面元素属性、学习率设置）

【输出要求】代码需模块化、带注释、可直接运行；包含XXX（如异常处理、可视化、交互逻辑）；报错后提供修改后的完整代码

四，代码与运行结果展示

1、文件夹结构：

src="https://i-blog.csdnimg.cn/direct/4f0fe07703c943d9b5ecdca554cc20a2.png">

2、代码：

爬虫：

selenium.webdriver.edge.service

import

selenium.webdriver.support.wait

import

r"C:\Users\86139\AppData\Local\Programs\Python\Python37\Scripts\msedgedriver.exe"

TIMEOUT

图片根目录：代码在「代码」文件夹，图片保存到上级的「人物分类」文件夹

IMG_ROOT_DIR

"https://image.baidu.com/","Accept":

"image/webp,image/png,image/jpeg,*/*;q=0.8"

核心函数

init_edge_browser():"""初始化Edge浏览器，规避反爬"""if

not

os.path.exists(EDGE_DRIVER_PATH):raise

FileNotFoundError(f"EdgeDriver文件不存在！

路径：{EDGE_DRIVER_PATH}")options

webdriver.EdgeOptions()options.add_experimental_option("excludeSwitches",

"enable-logging"])options.add_experimental_option("useAutomationExtension",

False)options.add_argument("--disable-blink-features=AutomationControlled")options.add_argument("--disable-web-security")options.add_argument("--ignore-certificate-errors")options.add_argument(f"--user-agent={HEADERS['User-Agent']}")options.add_experimental_option("prefs",

{"profile.managed_default_content_settings.images":

2})service

Service(executable_path=EDGE_DRIVER_PATH)browser

webdriver.Edge(service=service,

options=options)browser.execute_script("Object.defineProperty(navigator,

'webdriver',

undefined})")browser.maximize_window()browser.set_page_load_timeout(TIMEOUT)return

browser

create_folder(keyword):"""创建人物命名的文件夹（保存在「人物分类」下）"""#

拼接路径：../人物分类/关键词（比如

os.path.exists(folder_path):os.makedirs(folder_path)print(f"

已在「人物分类」创建文件夹：{folder_path}")return

folder_path

count):"""提取图片链接（跳过第一张）"""img_urls

[]try:browser.get("https://image.baidu.com/search")time.sleep(3)search_box

TIMEOUT).until(EC.element_to_be_clickable((By.ID,

"kw")))search_box.clear()search_box.send_keys(keyword)search_box.send_keys(Keys.ENTER)print(f"

搜索「{keyword}」完成，等待结果加载...")time.sleep(5)for

range(3):browser.execute_script("window.scrollBy(0,

TIMEOUT).until(EC.presence_of_all_elements_located((By.XPATH,

'http')

src_url:img_urls.append(src_url)except

Exception

提取单张图片链接失败：{e}")continueprint(f"✅

「{keyword}」提取到

提取「{keyword}」链接失败：{str(e)}")traceback.print_exc()return

img_urls

save_path):"""下载图片，强制保存为标准RGB格式JPG"""try:response

requests.get(img_url,headers=HEADERS,timeout=15,stream=True,allow_redirects=True)response.raise_for_status()#

response.headers.get("Content-Type",

"")if

非图片链接，跳过：{img_url[:50]}...")return#

response.contentif

文件过小，跳过：{img_url[:50]}...（大小：{len(img_data)}字节）")return#

打开图片img

Image.open(io.BytesIO(img_data))#

转换为RGB格式（JPG不支持透明通道，避免编码异常）img_rgb

img.convert("RGB")#

保存为标准JPG（覆盖原后缀的异常文件）img_rgb.save(save_path,

"JPEG",

图片编码异常，跳过：{img_url[:50]}...（错误：{e}）")returnexcept

Exception

crawl_baidu_images():"""主爬虫函数"""browser

Nonetry:print("

os.path.exists(IMG_ROOT_DIR):os.makedirs(IMG_ROOT_DIR)print(f"

已创建图片根目录：{IMG_ROOT_DIR}")input_str

input("请输入需要爬取的目标关键词（多个关键词用空格分隔）：")PERSONS

[keyword.strip()

「{person}」无有效图片链接，跳过下载")continuefor

idx,

保存路径：../人物分类/关键词/关键词_1.jpgsave_path

os.path.join(folder,

f"{person}_{idx}.jpg")download_img(img_url,

save_path)time.sleep(1)print("\n

所有关键词图片爬取完成！

图片均保存在「人物分类」文件夹下")except

FileNotFoundError

爬虫执行异常：{str(e)}")traceback.print_exc()finally:if

browser:browser.quit()print("\n

浏览器已关闭，爬虫程序结束！")

"__main__":crawl_baidu_images()

训练，预测模型：

input("是否跳过爬虫，继续执行分类训练？

(y/n)：")

confirm.lower()

warnings.filterwarnings("ignore")

核心配置（路径隔离关键：图片路径指向「人物分类」，代码在「代码」文件夹）

DATA_DIR

"./naruto_classifier_resnet18_data_opt.pth"

模型保存在「代码」文件夹内

torch.cuda.is_available():device

torch.device("cuda:0")print(f"✅

使用GPU训练：{torch.cuda.get_device_name(0)}")elif

torch.backends.mps.is_available():device

使用MPS训练（Mac

clean_invalid_images(data_dir):"""仅清洗「人物分类」文件夹内的图片，彻底隔离代码文件"""print("\n

开始清洗「人物分类」下的无效图片...")invalid_count

root,

Image.open(file_path).convert("RGB")img.verify()if

img.size[0]

64:os.remove(file_path)invalid_count

1print(f"删除过小图片：{file_path}")except:os.remove(file_path)invalid_count

1print(f"删除损坏图片：{file_path}")print(f"✅

数据清洗完成，共删除{invalid_count}张无效图片")

def

calculate_dataset_stats(data_dir):print("\n

计算「人物分类」数据集的RGB均值和标准差...")transform

transforms.Compose([transforms.Resize(IMAGE_SIZE),transforms.ToTensor()])dataset

datasets.ImageFolder(root=data_dir,

DataLoader(dataset,

images.std(2).sum(0)total_images

batch_sizemean

自定义归一化参数：")print(f"均值：{mean.numpy().round(4)}

标准差：{std.numpy().round(4)}")return

mean.numpy(),

torch.randperm(batch_size).to(device)bbx1,

bby1,

dataset.dataset.classesself.class_to_idx

dataset.dataset.class_to_idxself.samples

[]self.labels

dataset.dataset.samples[dataset.indices[idx]]self.samples.append((img_path,

label))self.labels.append(label)ros

RandomOverSampler(random_state=42)X_resampled,

y_resampled

ros.fit_resample(np.arange(len(self.samples)).reshape(-1,

1),

self.labels)self.resampled_indices

X_resampled.flatten()print(f"\n⚖️

类别均衡处理：")print(f"原样本数：{len(self.samples)}

均衡后样本数：{len(self.resampled_indices)}")for

cls

cls_idx)print(f"{cls}：{count}张")def

__len__(self):return

self.resampled_indices[idx]img_path,

label

Image.open(img_path).convert("RGB")img

self.dataset.dataset.transform(img)return

img,

create_data_loaders():clean_invalid_images(DATA_DIR)

std

calculate_dataset_stats(DATA_DIR)

transforms.Compose([transforms.Resize((256,

256)),transforms.RandomCrop(IMAGE_SIZE),transforms.RandomHorizontalFlip(p=0.5),transforms.RandomRotation(20),transforms.ColorJitter(brightness=0.3,

contrast=0.3,

hue=0.1),transforms.RandomGrayscale(p=0.1),transforms.GaussianBlur(kernel_size=(3,

3),

2.0)),transforms.ToTensor(),transforms.Normalize(mean=mean,

transforms.Compose([transforms.Resize(IMAGE_SIZE),transforms.ToTensor(),transforms.Normalize(mean=mean,

datasets.ImageFolder(root=DATA_DIR,

transform=train_transform)dataset_size

int(VAL_SPLIT

torch.utils.data.random_split(full_dataset,

[train_size,

val_size])val_dataset.dataset.transform

val_transformtrain_dataset_balanced

BalancedDataset(train_dataset)train_loader

DataLoader(train_dataset_balanced,

shuffle=True,

最终数据集信息：")print(f"原始总样本数：{dataset_size}

训练集（均衡后）：{len(train_dataset_balanced)}

验证集：{len(val_dataset)}")print(f"类别数：{len(full_dataset.classes)}

类别映射：{full_dataset.class_to_idx}")return

train_loader,

models.resnet18(weights=ResNet18_Weights.IMAGENET1K_V1)for

name,

range(epochs):model.train()train_loss

0.0train_correct

CUTMIX_BETA)optimizer.zero_grad()outputs

model(images)loss

labels_b)loss.backward()optimizer.step()_,

predicted

predicted.eq(labels_a.data).cpu().sum()

lam)

predicted.eq(labels_b.data).cpu().sum()).item()else:optimizer.zero_grad()outputs

model(images)loss

labels)loss.backward()optimizer.step()train_loss

loss.item()

labels).sum().item()pbar.set_postfix({"loss":

loss.item(),

train_totaltrain_losses.append(epoch_train_loss)train_accs.append(epoch_train_acc)model.eval()val_loss

0.0val_correct

labels).sum().item()epoch_val_loss

val_loss

len(val_loader.dataset)epoch_val_acc

val_correct

val_totalval_losses.append(epoch_val_loss)val_accs.append(epoch_val_acc)if

epoch_val_acc

epoch_val_accbest_model_weights

model.state_dict()early_stop_count

1print(f"\nEpoch

总结：")print(f"训练损失：{epoch_train_loss:.4f}

训练准确率：{epoch_train_acc:.4f}")print(f"验证损失：{epoch_val_loss:.4f}

验证准确率：{epoch_val_acc:.4f}")print(f"当前最优验证准确率：{best_val_acc:.4f}")if

early_stop_count

0:print(f"早停计数器：{early_stop_count}/{early_stop_patience}")print("-"

50)if

early_stop_patience:print(f"\n⚠️

验证集准确率连续{early_stop_patience}轮未提升，触发早停")breakmodel.load_state_dict(best_model_weights)if

SAVE_MODEL:torch.save({'model_state_dict':

mean,'std':

train_loader.dataset.class_to_idx},

最优模型已保存至「代码」文件夹：{MODEL_SAVE_PATH}")return

model,

plot_training_curves(train_losses,

val_losses,

val_accs):plt.figure(figsize=(12,

4))plt.subplot(1,

color="blue")plt.plot(val_losses,

label="验证损失",

color="red")plt.title("训练/验证损失曲线（路径隔离版）")plt.xlabel("Epoch")plt.ylabel("Loss")plt.legend()plt.grid(True)plt.subplot(1,

label="训练准确率",

color="blue")plt.plot(val_accs,

label="验证准确率",

color="red")plt.title("训练/验证准确率曲线（路径隔离版）")plt.xlabel("Epoch")plt.ylabel("Accuracy")plt.legend()plt.grid(True)plt.tight_layout()plt.savefig("./training_curves_data_opt.png")

训练曲线已保存至「代码」文件夹：training_curves_data_opt.png")

def

transforms.Compose([transforms.Resize(IMAGE_SIZE),transforms.ToTensor(),transforms.Normalize(mean=mean,

std=std)])try:image

Image.open(image_path).convert("RGB")image_tensor

transform(image).unsqueeze(0)image_tensor

image_tensor.to(device)model.eval()with

model(image_tensor)probabilities

torch.nn.functional.softmax(outputs,

dim=1)_,

idx_to_class[predicted_idx.item()]confidence

probabilities[0][predicted_idx.item()].item()print(f"\n

预测结果：")print(f"图片路径：{image_path}")print(f"预测类别：{predicted_class}

predicted_class,

create_data_loaders()num_classes

build_model(num_classes)criterion

"lr":

LEARNING_RATE}],weight_decay=1e-4)model,

train_losses,

std)plot_training_curves(train_losses,

val_losses,

os.path.exists(test_image_path):predict_single_image(model,

test_image_path,

测试图片不存在：{test_image_path}，请重新输入")

3、运行结果

src="https://i-blog.csdnimg.cn/direct/13bebef897e0460d87540dd3cb779f83.png">

结语

提示词工程不是“堆砌需求”，而是“精准传递意图”的艺术。

对于爬虫+神经网络这类技术项目，优秀的提示词需兼顾“理论框架”与“实操细节”，既符合目标明确、逻辑清晰的通用原则，又能适配技术开发的特殊性（如报错调试、参数配置、版本兼容）。

通过本文的案例复盘可见，从模糊需求到完整项目，提示词的迭代过程也是需求逐步清晰、问题逐个解决的过程。

掌握本文的提示词条件与模板，能让你在AI驱动开发中更高效地落地技术项目，将更多精力放在核心逻辑设计上，而非重复调试与沟通。