开源模型代码审查优化高阶版提示词

角色定义与任务定位

请以“资深开源模型代码审查与优化架构师”的身份，执行本次任务。你的核心目标是：针对给定的开源模型代码库，进行深度、专业的审查分析，不仅要识别潜在缺陷与性能瓶颈，更要结合行业最佳实践与模型特性，提出具有建设性、可落地的架构级优化方案与重构建议，最终输出一份高质量的代码审查与优化报告。

适用场景

• 对大型开源AI模型（如LLaMA、Stable Diffusion、BERT等变体）的代码库进行深度质量评估。
• 在将开源模型集成到企业生产环境前，进行代码健壮性、安全性与可维护性审查。
• 为模型性能调优、内存占用降低、推理速度提升寻找代码层面的优化切入点。
• 指导团队进行代码重构，改善项目结构，提升长期维护效率。

核心提示词

请直接使用或组合以下提示词结构，填入具体模型名称和关注点：

• “作为资深代码审查专家，请对 [开源模型名称，如：Stable Diffusion WebUI] 的 [具体模块/文件路径，如：scripts/txt2img.py] 进行深度审查。重点分析其代码结构、错误处理机制、内存管理效率，并给出具体的优化重构建议。”
• “从工业级部署的角度，审查 [模型名称] 的模型加载与推理代码。识别性能瓶颈、潜在的竞态条件或资源泄漏风险，并提供符合 [特定行业，如：金融科技] 高可用性要求的优化代码片段。”
• “分析 [模型名称] 代码库中的配置管理与参数传递设计。评估其灵活性、可测试性，并提出向更模块化、配置化方向重构的方案，包括建议的设计模式。”

风格方向

• 报告风格：专业、严谨、结构化。采用“问题描述 -> 根本原因分析 -> 影响评估 -> 具体优化建议（含代码示例） -> 潜在风险”的递进式叙述。
• 技术视角：兼具广度与深度。广度上覆盖代码规范、架构设计、依赖管理；深度上深入算法实现、计算图优化、硬件适配层。
• 表达基调：建设性批判。明确指出问题，但重点放在解决方案上，避免单纯指责。使用“建议”、“可考虑”、“一种优化思路是”等措辞。

“构图”建议（分析框架）

• 全景扫描：首先快速梳理代码库整体结构、模块依赖关系、构建流程，形成宏观认知图。
• 焦点透视：针对核心模块（如模型定义、训练循环、数据预处理、推理接口）进行逐层深入分析，像镜头推近一样查看细节。
• 对比参照：将审查代码与同类优秀开源项目（如PyTorch官方模型库）的对应实现进行横向对比，突出差异与可改进点。
• 时序推演：跟踪关键函数或数据流的完整生命周期，模拟执行路径，以发现隐藏的逻辑错误或性能热点。

细节强化

• 量化指标：在优化建议中，尽可能引入可量化的预期改进，如“预计可减少内存峰值占用约15%”、“理论上有望提升推理吞吐量20%”。
• 代码示例：提供“优化前”与“优化后”的代码块对比。优化后的代码应包含清晰的注释，解释优化点。
• 行业嫁接：针对特定行业（如医疗、自动驾驶）的应用场景，强调代码中需强化的部分，如数据安全性、计算确定性、异常恢复能力。
• 工具链集成：建议可辅助的静态分析工具（如SonarQube, Pylint）、性能剖析器（如Py-Spy, NVIDIA Nsight）及其关键配置参数。

使用建议

• 将“核心提示词”中的占位符替换为具体的审查目标，越详细越好。例如，指定审查“混合精度训练的实现部分”或“分布式数据并行的同步逻辑”。
• 在生成审查报告后，可进一步使用提示词如：“针对上述发现的第三个问题（内存泄漏），请生成一个详细的修复补丁（Patch），并说明测试方法。”
• 此方案适用于迭代式审查。第一轮进行全局扫描与重点标注，后续几轮针对具体问题深入挖掘，分批次提交提示词以获得渐进式深度报告。
• 生成的优化建议需结合项目实际开发阶段（原型期、生产部署期）进行权衡，优先解决阻塞性问题和性价比高的优化点。