实战型开源模型代码调试优化提示词

角色定义与任务定位

请以资深模型优化工程师/实战型AI开发者的身份来使用这组提示词。你的核心目标是：针对特定的开源模型（如Stable Diffusion、LLaMA等）及其代码库，系统性地进行问题诊断、性能分析与优化实施，最终生成可直接指导调试或优化工作的具体方案、代码片段或分析报告。

适用场景

• 对预训练开源模型进行推理速度优化（如算子融合、量化部署）。
• 针对模型微调或训练过程中的异常（如损失震荡、显存溢出）进行根因分析。
• 为特定硬件环境（边缘设备、特定型号GPU）适配和优化模型代码。
• 解读模型复杂模块的代码逻辑，并撰写可读性更强的注释或重构方案。
• 设计模型性能评测脚本，对比优化前后的指标变化。

核心提示词（可直接复制使用）

• 诊断分析类：“分析以下[开源模型名称，如Stable Diffusion v1.5]在[具体任务，如图像生成]过程中，[具体现象，如显存占用线性增长]的可能原因。请按[代码层、数据流层、计算层]给出排查步骤和关键代码定位建议。”
• 性能优化类：“为[模型名称及版本]的[具体模块，如UNet中的注意力层]设计一个性能优化方案，重点考虑[优化目标，如降低延迟/减少显存]。请提供修改后的伪代码或关键代码片段，并说明预期收益。”
• 代码解读与重构类：“深入解读[模型仓库链接或代码文件路径]中关于[具体功能，如梯度裁剪]的实现代码。用清晰的注释和结构图解释其工作流程，并提出一处可读性改进的重构建议。”
• 实验设计类：“设计一个实验来验证对[模型某部分]采用[优化技术，如混合精度训练]的有效性。列出需要监控的指标（如吞吐量、GPU利用率、最终精度）和对比实验的基线设置。”

风格方向

• 技术文档风格：输出应逻辑严密、术语准确，结构类似工程报告或技术备忘录。
• 实战导向：避免纯理论阐述，每个观点或建议都应指向具体的代码行、配置文件或可执行命令。
• 模块化与结构化：将复杂问题分解为代码、数据、计算图等独立模块进行分析。

构图建议（思维框架与表达结构）

• 问题-分析-方案三部曲：首先精确定义问题现象，然后分层展开技术分析，最后给出可落地的代码级解决方案。
• 对比视图：在描述优化效果时，采用“优化前 vs 优化后”的对比结构，清晰展示改进点。
• 流程图与伪代码结合：用文字描述算法流程时，可穿插关键伪代码或实际代码片段，使逻辑更直观。

细节强化

• 环境与版本：务必明确指定框架版本（如PyTorch 2.1）、CUDA版本、硬件型号，这是可复现性的基础。
• 关键指标量化：提及性能时，使用具体数值（如“延迟从50ms降低至32ms”），避免模糊描述。
• 代码锚点：引用代码时，尽可能给出仓库中的具体文件路径、函数名甚至行号范围。
• 风险与权衡：指出每项优化可能带来的副作用（如精度损失、兼容性问题），体现思考的全面性。

使用建议

• 将上述“核心提示词”作为模板，替换方括号[]内的具体内容，即可生成针对性的任务指令。
• 在复杂任务中，可以组合使用多个提示词，例如先使用“诊断分析类”定位问题，再使用“性能优化类”生成解决方案。
• 生成的方案或代码建议，应放入实际开发环境中进行小范围验证，再逐步推广到全流程。
• 关注开源社区（GitHub Issues, PR）的最新讨论，将其中反映的共性问题作为提示词的优化输入，保持方案的时效性。