Python开发模型选型比较完整流程提示词

角色定义与任务定位

本组提示词以信息可视化设计师 / 技术文档插画师的身份使用，目标是为Python开发者生成一张关于模型选型比较完整流程的视觉导图或信息图。你需要突出流程的结构化、决策路径的清晰性以及各模型之间的对比维度（如性能、可解释性、资源消耗），最终产出适合直接用于技术博客配图、教程封面或内部汇报PPT的视觉内容。

适用场景

• 技术文章首图 / 微信公众号封面配图
• 机器学习入门教程中的流程概览插图
• 项目方案书中算法选型部分的说明图
• 开发者内部培训的幻灯片视觉辅助
• GitHub仓库README中展示技术路线的SVG示意

核心提示词

以下提示词可直接复制用于图像生成工具（如Midjourney、DALL-E、Stable Diffusion），可根据需要中英混用或全英文：

• 主结构：Python model selection comparison complete flow chart, structured pipeline with clear stages: data preprocessing, feature engineering, candidate models (Decision Tree, SVM, Random Forest, Neural Network, XGBoost), evaluation metrics comparison (accuracy, latency, memory, interpretability), final selection decision node
• 视觉元素：color-coded branching paths, rounded rectangle nodes, directional arrows with labels, mini bar charts inside comparison blocks, icons for different model types (tree, network, kernel), gradient background from light blue to soft green
• 风格关键词：technical infographic, clean flat design, sans-serif typography, high contrast, 16:9 aspect ratio, vector-like smooth lines, no realistic photos, grid alignment
• 细节限定：decision nodes with question text (e.g., “data size > 10k?”), evaluation table at bottom with rows for each model and columns for accuracy, training time, model size, final column showing recommended model, subtle shadow for depth

风格方向

• 整体基调：技术理性风格，避免过度卡通或艺术化，保持清晰可读
• 色彩搭配：主色采用工程师蓝（#2B5B84）与数据绿（#3A9D5E），辅助色用于区分模型类别（如橙色用于树模型、紫色用于神经网络）
• 字体与线条：无衬线字体（如Inter、Roboto），箭头线条粗细2-3px，节点间间距统一
• 信息密度：中等，关键评估指标用简短数字或色块展示，避免文字段落

构图建议

• 整体布局：自上而下的流程图，顶部为输入区域（问题类型、数据特征、业务约束），中部为主流程（三列展开：候选模型、评估比较、筛选淘汰），底部为最终推荐模型及理由摘要
• 左右分栏：左侧放置“模型候选池”，中间放置“评估矩阵”（使用网格表格），右侧放置“决策路径”（带Yes/No分支）
• 焦点区域：在选型比较节点处使用放大或高亮边框，突出对比维度（如用并列的迷你仪表盘展示准确率与推理速度）
• 留白控制：每个大阶段之间保留约10%画面高度的空白，避免视觉拥挤

细节强化

• 决策节点：在每个分叉路径旁添加小标签文字，例如“数据量＜1万 → 优先线性模型”或“需要可解释性 → 决策树 / 逻辑回归”
• 评估指标可视化：在比较阶段使用简化雷达图或堆叠条形图，每个模型用不同颜色描边，指标数值直接标注在图例旁
• 流程编号：在阶段节点左上角添加小圆圈序号（1, 2, 3…），帮助读者快速定位流程步骤
• 版本注释：在画面底部边缘用极小号文字标注“Python开发·模型选型流程 v1.0”，增加专业感和实用性

使用建议

• 工具推荐：Midjourney v6 / DALL-E 3 可直接使用上述提示词，建议添加参数 --ar 16:9 和 --v 6；Stable Diffusion 则加上 negative prompt: realistic, photo, text clutter, low contrast
• 二次编辑：生成结果往往带文本占位符，建议用Canva或Figma重新套入正确中英文文字，保证专业排版
• 中英文取舍：若目标受众为国内开发者，建议保持节点标题中文（如“数据预处理”“模型评估”），对比指标可用英文缩写（如Acc, Latency）以保持图形简洁
• 迭代策略：先按此提示词生成基础版，再根据实际选型数量动态调整节点数量和分支密度，避免画面过载