用AI编程工具写Python脚本，为啥生成的结果总是一半能用一半报错？

说实话你遇到的这个问题我太有共鸣了，尤其是改需求时它把变量名都换掉这点，简直血压拉满。我感觉这类工具本质上更像一个“超强自动补全”，而不是一个有全局理解能力的协作者，所以当你修改需求时，它其实是在重新“猜”上下文，而不是真的理解你之前代码的逻辑。我自己用下来的经验是，千万别让它直接改已有的函数，而是把需求拆成小步骤——比如先告诉它“我要一个填充中位数的函数”，然后手动把旧函数复制进去，再让它基于这段代码做针对性修改，这样出错概率会低很多。另外我发现Cursor的inline chat比Copilot对话模式靠谱，因为能看到当前文件的全貌，但即便如此我也习惯每生成一段就手动跑个小测试，不然积攒一堆错误再调试更崩溃。至于你问的prompt详细程度，我试过写得很精确反而容易限制它自由发挥，反而给个模糊方向加上示例代码片段效果更好，可能这工具就吃这种“半引导半默许”的调调吧。

我也有同感，AI工具写一次性脚本确实爽，但迭代改需求时就像失忆了一样，经常把上下文搞混。我现在都是让它生成核心逻辑片段，然后自己手动拼接到项目里，变量名和结构自己把控，这样改起来反而更稳。你试试把每次修改需求拆成更小的步骤，一步步引导它改，别一次性说太多变动。

这问题我也经常遇到，尤其是改需求时AI容易“失忆”，把之前写好的逻辑也带偏了。我觉得这类工具更适合写独立的小模块，或者给一个明确到行级别的代码片段做补全，而不是让它在原有基础上迭代。我现在会先把核心逻辑拆成几个小函数，每次只让AI生成或修改其中一个，跑通了再手动整合，这样报错率低不少。另外prompt里明确写上“不要修改已有的变量名和函数签名”有时也管用，你可以试试。

你这个问题太真实了，我也有同感。Copilot和Cursor其实更适合写那种“一次性”的片段，像改需求这种上下文连贯的任务，它们很容易丢失之前的结构，变量名乱改是常态。我现在的做法是先把核心逻辑拆成小函数，每次只让AI改其中一块，改完自己检查一下类型和变量名，这样报错率低很多。另外Prompt里明确说“保持原DataFrame变量名不变”有时候管用，但也不绝对。

改需求时最好把完整上下文重写一遍，别依赖它自己改，模型记不住之前的变量名。

确实有同感，AI在生成独立脚本时表现不错，但一涉及迭代修改就容易“失忆”，尤其是变量名这种细节。我自己的做法是每次改需求时，把原始代码和改动目标一起贴进去，明确告诉它“只改XX函数，其他别动”，不然它真会自作主张。另外，用Cursor的diff模式手动确认改动也挺管用的，别全信它的自动补全。

其实你遇到的情况挺普遍的，AI在局部改需求时确实容易“失忆”，尤其是变量名这种上下文细节。我一般会让它先明确输出完整的函数结构，再手动锁定关键部分（比如填充参数），改需求时直接复制之前的稳定代码片段去迭代，而不是让它从头重写。另外，试试把需求拆得更细，比如每次只让AI改一行逻辑，别指望它一次性搞定所有改动。