← Voltar aos guias

用验证回路压低代码幻觉：实战模板与提示词

先把“幻觉”定义成可检查的错误

代码生成里的幻觉，通常不是“写得不聪明”，而是编造不存在的函数、文件路径、参数名或依赖版本。要降低它，第一步不是让模型“多想想”，而是把任务改写成可验证的约束：只允许基于当前仓库、指定文件和已安装依赖回答；不确定就明确说不知道；输出必须包含修改点和原因。

对实际项目来说，temperature 建议先设为 0 或 0.2。你会发现，低温并不会让结果变笨，反而更少出现“看起来很对、实际跑不通”的代码。尤其在修 bug、补测试、改 SQL、写配置这类任务里，稳定性通常比创意更重要。

一个可以直接复用的提示词模板

把需求拆成四段：角色、上下文、约束、输出格式。比如你可以这样写：你是资深 Python 工程师，只基于 app.py、requirements.txt 和下面的报错回答；禁止编造第三方包；如果信息不足，先列出缺口；最后只输出可执行的修改建议、测试点和风险。

• 角色：让模型明确身份，减少发散。
• 上下文：只给真正相关的文件、接口和错误日志。
• 约束：禁止猜测未出现的 API、类名和路径。
• 输出格式：要求按固定字段返回，便于程序校验。

例如，你可以要求它输出三段：patch、tests、risk。这样后续脚本可以直接判断是否缺字段，而不是人工盯着一大段自然语言猜意思。

用代码校验模型输出，而不是只靠“相信它”

降低幻觉最有效的方法之一，是让模型先产出，再让程序验收。比如在 Python 里先调用接口，temperature 设低，然后用 pydantic 或自定义校验器检查返回内容是否包含 patch、tests、risk 三个字段；如果缺失，就把错误原因回传给模型重新生成。

一个简单流程是：先生成补丁，再跑静态检查，再跑最小单测，最后让第二轮模型做审查。第二轮提示词可以写成：逐条检查是否引用了不存在的函数、是否修改了错误文件、是否遗漏边界条件；若发现问题，只返回需要修正的行和原因。这样能把“会说”变成“会被验证”。

• 静态检查：lint、类型检查、依赖导入检查。
• 动态检查：最小单测、回归用例、API 响应断言。
• 二次审查：让模型专门找不存在的符号、错误路径和逻辑跳步。
• 失败即重试：把报错原文喂回去，只修正相关部分。

为什么用 59API 做这套流程更划算

如果你要反复做“生成、校验、重写、再审查”的多轮循环，成本很快就会放大。59API 这类 AI API relay 很适合这种场景：它兼容 Claude Code、Codex 和任意 OpenAI SDK，基础地址是 https://api.59api.com，可以直接接入 Claude Opus、Sonnet、Haiku、Fable 以及 GPT 模型。因为按量计费、价格低，而且是原生官方质量模型，不需要为了省钱接受明显降级，所以特别适合高频试 prompt、跑自动修复和代码审查流水线。

你可以把它当成一个低成本实验环境：先用便宜且稳定的请求做第一轮生成，再用同一套模型做第二轮验证，最后把通过校验的结果合并到仓库。再加上邀请返利，长期跑 agent、代码助手或内部工具时，整体预算会更友好。

如果你正在搭建代码生成工作流，不妨先注册一个 59API 账号，用上面的模板接一个小任务试试。把“只生成代码”升级成“生成后必校验”，你会很快看到幻觉和返工都明显下降。

Preços · Docs