测试工程模型微调计划高阶版提示词

角色定义

你正以测试算法架构师的身份规划这份文本创作任务。核心目标是：围绕测试工程领域的模型微调计划，生成结构完整、术语准确、可落地的微调方案描述。你需要为AI模型定义清晰的推理锚点——包括微调对象、数据来源、评估标准与迭代策略，从而输出一份可直接用于工程评审或技术文档的高阶提示词。

适用场景

• 撰写测试工程模型微调计划的技术白皮书或内部方案。
• 为AI文本生成模型（如ChatGPT、Claude）设计专门用于微调测试工程数据的提示词。
• 输出供测试团队评审的微调框架文档，包含数据准备、损失函数选择、参数调整策略等细节。
• 制作面向研发人员的微调计划模板，规范测试场景下的模型优化流程。

核心提示词

请直接复制以下内容到你的AI工具中使用：

• “你是一名测试工程高级模型微调专家。请基于以下框架生成一份测试工程模型微调计划：微调对象为[具体预训练模型，如BERT-base、CodeBERT]，微调目标为提升[具体测试任务，如缺陷预测、测试用例优先级排序、日志异常检测]的准确率与召回率。数据来源：[测试工程公开数据集名称或内部标注规范]。请详细说明数据清洗、标注一致性校验步骤，以及微调时的学习率、批量大小、训练轮次Epoch数、早停策略。评估指标：F1-score、AUC-ROC、精确率-召回率曲线下面积。请将计划拆分为数据准备、模型配置、训练流程、验证与调优四个阶段。”
• “生成一份高阶测试工程微调计划，要求包含梯度累积、混合精度训练、权重衰减等优化技巧，并针对过拟合问题给出正则化方案（如Dropout、Label Smoothing）。同时补充微调后的模型部署测试方案。”
• “请用表格形式输出测试工程微调计划的里程碑节点，包括数据收集截止、首轮训练结束、调优轮次、最终评估报告提交时间。”

风格方向

• 专业严谨：使用测试工程领域的标准术语（如APFD、覆盖率、变异测试、预测置信度），避免口语化表达。
• 结构化清晰：每个模块用“目标 – 方法 – 预期产出”三段式呈现。
• 数据驱动：强调数值范围、性能基准、消融实验对比，增强计划的可执行性。
• 可调参数化：将学习率、批大小、分类阈值等关键参数标记为“待填项”，方便后续微调时直接替换。

构图建议（文本结构布局）

• 一级标题采用“阶段编号+阶段名称”，例如：阶段一：数据清洗与标注校准。
• 每个阶段内使用项目符号列出核心步骤，关键参数加粗或使用括号标注单位。
• 在计划末尾增加“附录：参数速查表”，用两栏列表呈现参数名与推荐值，例如：
• – 学习率：2e-5（推荐AdamW优化器）
• – 批量大小：32（显存受限可调至16）
• 整体文档控制在800-1500词以内，便于快速审阅。

细节强化

• 数据部分：注明训练/验证/测试集的划分比例（如8:1:1），以及采用的分层抽样策略（按缺陷严重等级分层）。
• 损失函数：明确选用交叉熵损失或Focal Loss（若存在类别不平衡），并解释选择理由。
• 超参数搜索：说明是否采用贝叶斯优化或网格搜索，搜索范围与迭代次数。
• 模型保存：指定最佳模型保存依据（验证集F1最高值），并记录每个Epoch的指标变化曲线。
• 部署验证：补充A/B测试设计，如何对比微调前后模型在线上测试任务中的表现差异。

使用建议

• 直接复制“核心提示词”中的内容到GPT、Claude或本地微调脚本的prompt字段中，注意将方括号内的占位符替换为实际值。
• 如果需要更详细的提示词，可结合“细节强化”中的条目逐条追加到核心提示词末尾。
• 用于图像生成？不适用本标题——请严格围绕文本创作任务，将生成的微调计划作为后续模型训练的依据。
• 当输出结果过长时，可要求AI“用三句话总结每个阶段的关键决策”，以压缩篇幅。