高阶版后端接口LoRA训练计划提示词

角色定义

你应当以AI模型训练架构师的身份使用这组提示词，目标是为后端接口开发场景设计一套完整的LoRA微调训练方案。你需要聚焦于如何利用LoRA技术高效地让基座模型（如CodeLlama、GPT‑4等）掌握RESTful API设计、参数校验、错误处理、文档生成等后端接口核心能力。本提示词方案将指导你构建训练样本、选择风格、组织数据，最终产出可直接用于训练流程的高质量Prompt模板。

适用场景

• 微调代码生成模型以专门输出符合企业规范的后端接口代码（如Python FastAPI、Java Spring Boot、Node.js Express）。
• 训练模型自动生成接口文档（OpenAPI/Swagger YAML格式）及对应的单元测试用例。
• 针对特定微服务架构（如REST、gRPC、GraphQL）的接口逻辑进行定向LoRA适配。
• 需要同时控制代码风格、注释规范与日志输出标准的团队训练场景。

核心提示词

• “请为一个用户管理模块生成RESTful API，包含用户注册、登录、信息修改、注销四个端点，每个端点需提供请求/响应schema、参数校验规则、状态码以及最少注释。输出格式：Python FastAPI 代码。”
  （用于训练代码生成）
• “根据以下接口描述，编写对应的OpenAPI 3.0规范YAML文件：接口名称：OrderService，包含GET /orders（分页查询）、POST /orders（创建订单）、PUT /orders/{id}（更新订单状态）。需包含安全认证定义。”
  （用于训练文档生成）
• “为后端接口设计一套错误处理中间件，要求捕获ValidationError、AuthenticationError等异常，返回统一格式的JSON错误体（code、message、fields）。请用Python实现并包含类型注解。”
  （用于训练错误处理逻辑）
• “编写针对上述FastAPI用户注册接口的pytest单元测试，覆盖正常注册、重复邮箱、密码强度不足、缺少必填字段等场景，使用mock外部依赖。”
  （用于训练测试用例生成）

风格方向

• 技术规范风格：严格遵循PEP 8/ESLint规则，变量命名使用小写+下划线（snake_case），函数添加类型注解与docstring。
• 简洁实用风格：代码不含冗余注释或调试log，每个函数控制在20行以内，优先使用语言内置库。
• 文档自动生成风格：YAML/JSON格式规范，字段描述准确，支持多种内容类型（application/json, multipart/form-data）。
• 健壮性风格：每个接口包含输入校验、SQL注入防护、超时处理与限流逻辑。

构图建议

• 样本组成结构：每个训练样本建议包含三部分：接口需求描述 + 期望代码/文档输出 + 约束条件。例如：“需求：创建订单接口；输出：FastAPI路由+Pydantic模型+异常处理；约束：使用异步，数据库操作用SQLAlchemy async。” 这种层级化结构能帮助LoRA更快捕捉输入‑输出映射。
• 数据多样性：按HTTP方法（GET/POST/PUT/DELETE/PATCH）和复杂度（简单CRUD vs. 分页+排序+筛选）均衡分配样本，避免模型偏向单一模式。
• 负面样本可选：在训练集中加入少量故意不规范的样本（如缺少校验、未加类型提示），并在输出中标记“需修正”，以增强模型对错误模式的识别能力。

细节强化

• 参数注入：在提示词中加入显式占位符如“【接口路径】”和“【字段类型】”，便于批量替换生成多样化训练数据。
• 温度控制：代码生成类建议LoRA训练时使用较低温度（0.1～0.3），文档/描述类可适度提高（0.4～0.6）。
• 损失加权：对代码块、字段校验逻辑、错误处理等关键token施加更高权重，提升关键部分的收敛速度。
• 越界过滤：在训练前对输出进行静态语法检查（如Python AST解析），剔除语法错误的样本，提高数据质量。

使用建议

• 将核心提示词中的样板直接复制到LoRA训练脚本的instruction字段中，每轮迭代使用2～3条不同风格变体。
• 训练数据量建议：每个端点类型至少准备50条样本，总计不少于500条高质量样本。
• 超参数推荐：rank=8，alpha=16，学习率1e-4，步数300～500，batch size=4（根据显存调整）。
• 验证阶段：用几个未见过的后端接口需求（如“生成微信支付回调处理接口”）测试模型输出是否符合企业规范，若不理想则增加对应风格样本。