Kimi重构指令集Prompt：Python代码效率优化实战指南

先说几个核心判断：向Kimi这类大模型索要代码优化方案时，绝对不能直接丢一句“帮我优化一下”——那样大概率只会换回一些无关痛痒的格式调整，甚至可能埋下逻辑漏洞。想要拿到真正可落地的重构结果，必须用结构化指令把边界、目标、步骤全部锁死。下面这套流程，经过反复验证，基本能稳定产出高质量代码。

第一步：把目标与约束条件写进第一句话

在对话输入框的开头，直接标明角色、任务和硬性限制：【你是一名Python性能工程师，专精CPython解释器底层机制和常见瓶颈识别。请对后续代码进行性能重构，仅允许修改算法逻辑、数据结构选择、内置函数替换，禁止增加外部依赖、改写为C扩展、或使用numba/cython等编译方案】

这一步绝对不能省略。如果你漏掉了“禁止增加外部依赖”，模型大概率会直接给你搬出一个pandas.DataFrame来替代原生的list结构——但问题是，你的生产环境可能压根没装pandas。先划清边界，后续的回复才不会跑偏。

紧接着换行，用三个反引号把待优化的代码完整贴进去。

第二步：给出一组可验证的性能指标

代码下方空一行后，写明当前的基准表现和预期目标：【当前在Python 3.11下处理10万条字典数据耗时约2.4秒（timeit.repeat验证），目标是压降至0.6秒以内，且输出结果完全一致】

给出具体数字，效果比一句“尽可能快”要好上十倍。模型会据此判断是否值得用空间换时间——比如缓存计算结果、预构建查找表，这些优化手段都是有代价的，只有明确知道性能差距，它才会做出合理的权衡。

如果原代码中有明确的性能瓶颈点，比如某个嵌套循环复杂度高达N²，可以额外指出：“特别注意第47行嵌套for循环，它是主要耗时来源。”

第三步：强制分步响应与验证机制

在最后追加指令，要求模型拆解动作并提供验证手段。推荐下面两种写法，选一个就行：

方法一：分步重构说明
“请按以下顺序响应：①指出原始代码中3个最严重的性能反模式；②给出重构后的完整代码；③用注释标出每处修改对应的优化原理（例如‘将O(n²)列表推导改为set查找，降低为O(n)’）；④提供一段独立验证脚本，能自动比对原代码与新代码的输出一致性及耗时差异。”

方法二：对比式输出
“请以表格形式横向对比：左列为原代码关键行，中列为重构后对应行，右列为该修改带来的理论复杂度变化（如O(n²)→O(n log n)）和实测加速比（基于10万数据集）。”

不这样做，模型很容易堆砌一堆“看起来高级”的改动，却忽略了你真实的数据规模和运行环境。比如它可能会推荐用heapq.nlargest，但如果你只需要取Top3且数据量只有500条，内置的sorted()反而要更快。

第四步：处理常见陷阱的应急指令

当Kimi返回的代码存在明显风险时，在下一轮对话开头直接粘贴它的输出，并精准指出问题所在：【检测到潜在问题：第12行用dict.fromkeys()去重会破坏原始顺序，而业务要求保持输入顺序；第28行将所有字符串转为lower()再比较，但实际字段值已确保小写。请仅修正这两处，其余部分保持不变】

这种精准狙击式的修正指令，比重新提问要高效得多。Kimi K2.6版本的上下文记忆能力足够强，能准确锚定你指的“第12行”就是它上次回复中的具体位置。

另外，上传含大量注释的.py文件后，模型有时会误删关键注释。遇到这种情况，加一句话就能解决：“保留所有以# TODO:和# NOTE:开头的注释行，它们是运维必需信息。”