用Prompt写Python脚本，为什么GPT总把变量名改来改去？

这问题太真实了，我每次让它写脚本都得在prompt里加一句“变量名必须严格使用我指定的，不要自己改”，不然它老爱自由发挥。感觉模型对变量名指令的权重确实不高，可能训练数据里变量命名本身就很随意，它默认你无所谓。我还有个笨办法，就是让它先输出一个命名对照表，再写代码，至少改起来方便点。另外把变量名起得特别“怪”一点，比如df_original_2024，它反而不容易动。

这问题太真实了，我也被坑过。后来干脆把变量名写进注释里再让它抄，比直接强调管用。

我试过把变量名全大写加粗，它还是我行我素，可能模型脑子里就默认df是标配，只能靠最后一步全局替换兜底了。

这问题太真实了，我试过把变量名列成表格塞进prompt，照样被改，感觉它更在意代码“顺不顺眼”而不是你的命名习惯。

这问题我太有同感了，尤其是拿它写那种要接进现有项目的脚本时，变量名被改掉真的挺抓狂的。我试过把变量定义单独拉出来写，比如在prompt里加一句“先定义df_raw = pd.DataFrame()，之后所有操作都基于这个变量”，但有时候它还是会莫名奇妙地给你来个缩写。我后来发现，可能是模型觉得你给的变量名太长或者不够“pythonic”，它自己“优化”了，尤其在长上下文的生成过程中，别名策略会漂移。

一个稍微管用点的土办法是，在prompt里明确加上“禁止重命名任何已给定的变量名，即使你觉得更简洁”这种带点强制性的指令，甚至可以把你要保留的变量名列表单独列一遍。再不然，就生成完代码后直接让它用sed或正则帮你全局替换，别跟它较劲。另外我猜这跟模型的温度参数也有点关系，温度调低点可能“发挥”的空间就小些，但API里没暴露这个就没法验证了。说到底，它更像是个会即兴发挥的结对程序员，不是严格的编译器，习惯它的这个毛病，反而能在代码review时多留个心眼。

试过把变量名写进代码块里让它照着抄，效果会好点，但偶尔还是抽风，感觉模型对命名就是没那么敏感。

这问题我也踩过坑，后来发现把变量名写进代码注释里比放在指令里管用，比如直接让它“保持注释中的命名不变”会好很多。另外你可以试试把完整的目标变量名在prompt里重复两遍，甚至给它一个明确的替换规则，比如“所有data一律改成df_raw”。不过说实话，模型对短名字有路径依赖，你不如最后用IDE的全局重命名功能兜底，省得跟它较劲。

这问题我也踩过坑，GPT对变量名的“忠诚度”确实跟对功能逻辑的理解不在一个级别上。你越是把变量名写在长句里，它越容易在生成过程中“顺手”简化成更短的默认命名，感觉是它在内部把语义压缩后再展开，名字就成了可牺牲的部分。我试过把变量定义单独拎出来，比如在prompt最后加一行“代码中必须且只能出现df_raw和result_list这两个自定义标识符”，效果会好一些，但也不是100%稳定。另一个偏方是让它先输出一个带注释的伪代码框架，你确认变量名没问题后再让它填实现，这样至少能提前拦截改名问题。说实话，我觉得这跟模型训练数据里常见变量名的先验概率有关，df、data太常见了，它“手滑”的概率就是高。你如果项目要求严格，建议干脆自己写一个小的脚本做post-processing，正则替换掉那些默认名，比反复调prompt省心。

这问题我太有同感了，之前让GPT写爬虫也这样，明明指定了session和headers，它非要自己造个client出来，改得我脑壳疼。我个人感觉模型对变量名的遵循度确实不如对逻辑结构的遵循度高，它可能觉得df或者data是更“通用”的命名，就自作主张了。有个小技巧是，你可以在Prompt里把变量名和它的用途绑得更死一点，比如直接写“定义df_raw = pd.DataFrame(原始数据)，后续所有操作只能基于df_raw”，并且加一句“禁止创建任何新变量名”。另外，我试过把变量名放在代码注释里，让它先复制注释再写代码，效果会好一丢丢，但还是偶尔翻车。说到底这可能是模型对指令的“优先级”理解问题，它更关注功能实现而不是命名约束，你可以试试把变量名要求放在Prompt的最后一句，或者在生成后直接跟一句“请全局搜索并替换所有变量名到指定名称”，让它自己检查一遍，省得手动改。

这事儿我也踩过不少坑，后来发现真不全是prompt的锅。模型在生成代码时，内部其实会优先遵循它训练时见过的“常见命名习惯”，你给的变量名如果不属于那种高频模式，它就容易“顺手”换成更通用的写法。一个比较有效的办法是，把变量名直接嵌进代码上下文里，比如在prompt里先给一段伪代码框架，明确写出“df_raw = pd.read_csv(...)”这种赋值语句，再让它填充逻辑，比单纯用文字描述要好使得多。另外，你可以在生成前加一句“严格保持所有变量名与输入完全一致，不要做任何重命名”，虽然不能百分百保证，但能明显降低乱改的概率。还有个偏方是让GPT先输出一个“变量名对照表”，让它自己确认一遍再写代码，这样它至少会在心里过一遍约束。说到底，模型对“语义等价”的执着比对“格式忠实”强得多，所以有时候你得多试几种表述方式，找到它最容易理解的那种指令结构。

变量命名这种细节模型就是容易自由发挥，你把命名要求单独复制到每个代码块前面，比写一大段prompt管用。

实测把变量名嵌入到代码注释里再让它补全，比纯文字描述听话很多，你可以试试。

这问题我太有同感了，尤其是数据清洗这种活，变量名一乱，后面接别人的代码简直要命。我的经验是，光在开头指定变量名没用，得在关键步骤里反复“锚定”它，比如每次给新需求时都顺带提一句“保持df_raw这个变量名不变”，相当于给模型打个补丁，它改名的概率会小很多。另外，我发现GPT对“结构约束”的服从度比对“命名约束”高，你可以试试让它先输出一个带类型注解的伪代码框架，再让它往里面填逻辑，这样变量名基本就锁死了。还有个偷懒的办法，就是生成后直接正则替换，但治标不治本，因为万一它把函数内部局部变量也改了，替换起来反而更乱。说到底，这跟模型的注意力机制有关，它更关注语义逻辑和数据类型，对名字这种“表面属性”优先级没那么高，所以别太指望靠一两句话就能彻底驯服它。我自己的折中方案是，重要变量像df_raw这种，在prompt里用反引号或者全大写强调，偶尔管用，但真碰到它铁了心要改，还不如自己花十秒钟改回来省心。

这问题我太有同感了，之前让GPT写爬虫也这样，我明明把字段名都定义好了，它转头就给我换成缩写，气死人。后来我发现它可能不是不听话，而是训练数据里常见的命名模式太强了，像df、data这种太根深蒂固，你给的特定名字反而优先级没那么高。有个小技巧是把变量名写进代码注释里，比如先给一段伪代码框架，里面用你想要的变量名，再让它“只补全函数体”，这样约束力会强很多。另外，如果你用中文prompt，有时候模型会倾向于“理解意图”而不是“执行字面”，试试把命名要求放到最后再强调一遍，或者直接说“不要修改以下变量名：df_raw, result_list”。还有个歪招，就是生成后你自己写个正则替换，把df、data统一替换回去，反正功能是对的，省得跟它较劲。说到底，它是个概率模型，不是编译器，对命名的执念确实比人弱，你得接受这个设定。

变量名这事儿太真实了，GPT记短指令还行，一长就自己发挥，建议把关键变量名单独放一行强调试试。

我试过在prompt末尾加一句“严格使用上述命名”，稍微好点，但偶尔还是抽风，干脆生成后正则批量替换省心。

这问题太真实了，我试过把变量名写在prompt第一行加粗强调，它照样给我改成df，感觉模型对变量名的记忆就跟金鱼差不多。后来我学乖了，在prompt末尾直接加一句“代码里出现的所有变量名必须严格使用我指定的，不要做任何简化或替换”，并且把完整变量名列表贴出来，稍微好一点，但偶尔还是抽风。实在不行就生成后自己全局替换吧，别跟它较劲了，省下的时间够手写三遍了。

说实话这个问题我也踩过好多次坑，后来发现与其纠结它为啥改名字，不如直接在prompt里加一句“所有变量名必须严格使用我指定的，不要做任何简化或重命名”，效果会好一点。不过就算这样，它偶尔还是会犯病，尤其是代码写到后面上下文长了，它就容易忘掉前面的约束，开始自作聪明地用更短的名字。我觉得这跟模型训练时的习惯有关，它天然倾向于生成“看起来更常规”的代码，而df、data这种就是它见过最多的模式，所以不是你的prompt写得不清楚，是它的默认偏好太强了。还有个土办法，就是让它每生成一个函数就单独跑一次并输出变量名清单，你核对一下，不对就立刻让它改，别等整段代码写完再统一修。另外你也可以试试在prompt里给一个极简的示例片段，比如“def clean(df_raw): result_list = [] ...”，这种代码级别的示范比文字描述管用得多。说到底，它就是个概率模型，你得用结构化的方式把约束“焊死”在上下文里，不然它总会往统计最常出现的那个方向跑。

这问题太真实了，我也经常被GPT的“自由发挥”搞到头大。我感觉它并不是没听懂你的指令，而是生成代码时更倾向于用自己训练数据里最常见的变量名，所以df_raw这种带下划线的反而容易被“纠正”成df。我的小技巧是，把变量名直接写进代码注释里，比如在prompt末尾加一句“# 保持所有变量名与上面定义完全一致”，或者在每个关键步骤后面补一个简短示例，它照抄的概率会高很多。另外，如果改动量大，我一般就让GPT输出后自己用正则批量替换，省得跟它反复拉扯。

这问题太真实了，我也经常被整破防。我感觉不是Prompt写得不够清楚，是模型对变量名的“执念”比我们想象中强，它倾向于用更通用、更“自然”的命名来降低生成难度。试试在Prompt里加一句“严格保持所有变量名和函数名与给定名称完全一致，不要做任何替换或简化”，然后每次生成完先让GPT自查一遍再给代码，效果会好一些。或者干脆把变量名起得让它觉得“没法改”，比如直接用你项目里独一无二的缩写，它反而会照抄。

这问题太真实了，我试过把变量名列成表格塞给它，结果它照改不误，感觉模型对变量名的记忆权重特别低，更在意代码结构是否“顺眼”。后来我试了个办法，在prompt最后加一句“严格保留所有变量名，不要做任何重命名”，再明确说“如果改了就算错误”，效果能好一点，但偶尔还是会犯。还有就是干脆写完让它跑一遍，再单独发指令把变量批量替换回来，反正比跟它反复拉扯省心。可能GPT脑子里“可读性优化”的惯性太强了，得靠强约束压着。

这太真实了，我也老遇到这毛病。我感觉不是prompt写不清楚，是模型在生成中间步骤时会“自作主张”简化变量名，尤其是长名字特别容易被替换。我试过在prompt里强调“严格使用指定名称，不要创建新变量”，然后把每个变量用途列成清单，效果好了点，但还是偶尔抽风。要不你试试在生成后先让它自己跑一遍代码，把变量名不一致的地方自动改回来？

这问题太真实了，我也老遇到。感觉GPT对变量名的“执念”比对指令深，它可能觉得df、data更符合它的训练分布，所以潜意识里就“优化”回去了。你试试把变量名嵌在注释里，或者让它先输出一个完整的变量定义清单再写代码，会稍微好点。另外，如果脚本长，拆成小段让它写，每段开头重复强调一遍命名，成功率能高不少。