常见问题与避坑指南🔗

关键词： FAQ, 常见误区, 幻觉 (Hallucination), 踩坑记录, 故障排查, Prompt 优化
难度： ⭐
预计阅读时间： 30 分钟
最后更新： 2026-04-09

本章导读🔗

使用 AI 工具的过程并不总是一帆风顺。本章系统汇总了组内同学在日常使用中遇到的常见误区、技术问题、效率瓶颈以及对应的解决方案。无论你是刚开始接触 AI 工具的新同学，还是已经使用一段时间但偶尔踩坑的"老手"，都可以在此找到实用的参考。

读完本章，你将：

• 认清 6 个最常见的 AI 使用误区，避免"信息茧房"效应
• 掌握常见技术问题（API、网络、Token、编码等）的排查与解决方法
• 学会高效组织对话、构建个人 Prompt 库
• 了解组内同学的真实踩坑案例，少走弯路
• 拥有一套系统的 AI 工具故障排查流程

1. 常见误区🔗

核心观点： 正确认识 AI 的能力边界，是高效使用 AI 的前提。

1.1 误区一："AI 说的都对"——幻觉问题🔗

现象描述： AI 生成的内容看起来非常流畅、自信，甚至附带引用文献和数据，但细查之下可能仍有错。

为什么会这样？ 大语言模型（LLM）的本质是下一个 Token 预测器，它总是倾向于给出"看起来最合理"的输出，而非"经过验证的事实"。这种现象被称为幻觉（Hallucination）。

高危场景：

正确做法：

• ✅ 永远验证关键事实：AI 给出的文献必须用 Google Scholar / PubMed 交叉核实
• ✅ 让 AI 标注信息来源：在 Prompt 中要求"请标注每条信息的来源，若不确定请明确说明"
• ✅ 对数字保持怀疑：涉及具体数值（IC50、Kd、分子量等）务必查原始文献
• ❌ 不要直接将 AI 生成的文献列表粘贴到论文中
• ❌ 不要因为 AI 的语气"很肯定"就放松警惕

组内惨痛教训： 曾有同学直接让聊天模型“列 3 篇 Nature 论文”来写背景介绍。组会汇报时被老师当场指出：3 篇论文一篇都查不到，全部是 AI 凭记忆补出来的。

1.2 误区二："越长越详细的 Prompt 越好"——提示词冗余🔗

现象描述： 有同学写了一页纸的 Prompt，结果模型的回复反而更差了。

为什么会这样？ LLM 对超长 Prompt 中的信息优先级判断并不完美。过多的冗余信息会：

• 稀释真正重要的指令（关键要求被"淹没"）
• 引入自相矛盾的约束
• 浪费 Token 配额，减少可用的输出空间

好 Prompt vs 坏 Prompt 对比：

❌ 坏示例（冗余、含糊）：
"你好，我是一名生物学专业的研究生，我正在研究蛋白质折叠方面的课题，
我的导师要求我写一篇综述，关于蛋白质折叠的最新进展，
请你帮我写一下好吗？要写得详细一点，最好有参考文献，
中英文都可以，长一点没关系，谢谢你！"

✅ 好示例（结构化、明确）：
"请用中文撰写蛋白质折叠领域（2023-2026）的研究进展摘要，要求：
1. 聚焦 AI 预测方法（AlphaFold 系列、ESMFold、RoseTTAFold）
2. 按方法分类，每类 200 字左右
3. 每个方法需注明原始论文的第一作者和发表年份
4. 不确定的信息请标注 [待验证]
目标读者：分子生物学方向研究生"

Prompt 精简原则：

1.3 误区三："一个模型打天下"——工具选择错误🔗

现象描述： 所有任务都只用 ChatGPT（或只用某一个模型），遇到效果不好就认为"AI 不行"。

事实是： 不同模型在不同任务上表现差异巨大：

选择策略：

1. 核心原则：对精度要求高的任务用当前最强模型（如 Claude Sonnet 4.6 / ChatGPT 推理模型），日常简单任务用免费或轻量模型
2. 多模型交叉验证：重要任务至少用两个模型互相验证
3. 善用专用工具：文献检索用 Consensus/Perplexity，而非通用 LLM

1.4 误区四："AI 会替代我"——能力边界认知🔗

现象描述： 一部分同学过度焦虑"AI 是否会让我失业"，另一部分同学过度依赖 AI、丧失独立思考能力。两种极端都有问题。

AI 目前做不好或不能做的事：

• ❌ 原创性科学假说生成：AI 可以帮你整理已有文献，但"提出新问题"仍是人类的核心竞争力
• ❌ 实验操作：AI 可以帮你设计实验方案，但不能替你做实验
• ❌ 深层因果推理：AI 善于发现相关性，但因果关系判断需要领域知识
• ❌ 确保正确性：AI 无法对自己的输出"负责"，最终责任在使用者
• ❌ 理解隐含上下文：你的课题背景、导师偏好、实验室条件，AI 不了解

正确的心态：

AI 是超级辅助工具，不是替代品。
你是"飞行员"，AI 是"副驾驶（Copilot）"。
方向盘和最终决策权必须在你手里。

务实的定位：

1.5 误区五："AI 生成的代码不需要测试"🔗

现象描述： AI 生成了一段看起来很完美的 Python 脚本，直接拿来跑，结果出了 Bug 还找不到原因。

为什么 AI 代码也需要测试？

• AI 可能使用了已弃用的 API（如 pandas 旧版语法）
• AI 可能忽略边界条件（空文件、缺失值、极端数据）
• AI 可能混淆不同库的版本（如 scikit-learn 0.x vs 1.x）
• AI 生成的代码逻辑局部正确但整体错误（单个函数对，但组合使用有隐患）

正确做法：

# ✅ AI 生成代码后，至少做这些检查：

# 1. 用小数据集测试
test_df = pd.DataFrame({"col1": [1, 2, None], "col2": ["a", "b", "c"]})
result = ai_generated_function(test_df)
print(result)  # 看输出是否符合预期

# 2. 检查边界条件
empty_df = pd.DataFrame()
try:
    ai_generated_function(empty_df)
except Exception as e:
    print(f"空数据异常: {e}")  # 确认有合理的错误处理

# 3. 对比已知结果
assert abs(result - expected_value) < 1e-6, "数值偏差超出容忍范围"

代码验证 Checklist：

• 用小数据集跑通一遍
• 检查 import 的库是否都已安装，版本是否兼容
• 检查有无硬编码路径（如 C:\Users\xxx\）
• 检查边界条件处理（空输入、极大极小值、缺失值）
• 关键数值结果与手动计算或已知答案对比
• 如果涉及文件读写，检查编码和路径

1.6 误区六："直接复制 AI 输出就行"——学术诚信风险🔗

现象描述： 直接复制 AI 生成的文本用于论文、报告、甚至课题申请书。

为什么这样做有风险？

1. 学术诚信问题：越来越多的期刊和学校明确要求声明 AI 使用情况¹。未声明使用 AI 辅助写作可能被视为学术不端
2. AI 检测工具：如 Turnitin AI Detection、GPTZero 等工具正在普及，直接复制的 AI 文本很容易被识别
3. 质量问题：AI 生成的文本往往存在"正确的废话"——句子通顺但缺乏深度
4. 同质化：同一个 Prompt 生成的内容高度相似，多人使用极易"撞车"

正确的使用方式：

组内规范： 使用 AI 辅助撰写任何对外提交的文档（论文、申请书、报告）时，必须在文档中声明 AI 使用情况，并对所有内容进行人工审核和事实验证。

2. 常见技术问题🔗

2.1 API Key 配置问题🔗

问题描述： 调用 OpenAI、Claude 等模型的 API 时，遇到认证失败、Key 无效等错误。

常见报错与解决方案：

API Key 配置方法（以 OpenAI 为例）：

# 方法 1: 临时设置（当前终端有效）
export OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxx"

# 方法 2: 永久设置（写入 shell 配置文件）
# macOS / Linux (zsh)
echo 'export OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxx"' >> ~/.zshrc
source ~/.zshrc

# macOS / Linux (bash)
echo 'export OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxx"' >> ~/.bashrc
source ~/.bashrc

# 方法 3: 在 Python 代码中设置（不推荐，Key 会泄露到代码仓库）
import openai
openai.api_key = "sk-xxxxxxxxxxxxxxxxxxxxxxxx"  # ⚠️ 切勿提交到 Git！

# 方法 4: 使用 .env 文件（推荐用于项目）
# 创建 .env 文件（必须加入 .gitignore！）
# .env 文件内容：
# OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx

# Python 中读取：
from dotenv import load_dotenv
import os
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")

安全提醒： - 🔴 绝对不要将 API Key 提交到 GitHub 等公开仓库 - 🔴 绝对不要将 API Key 通过微信等即时通讯工具发送 - ✅ 始终使用环境变量或 .env 文件管理 Key - ✅ 将 .env 加入 .gitignore

2.2 网络与 VPN 问题🔗

问题描述： 国内网络环境下访问 OpenAI、Anthropic（Claude）、Google（Gemini）等国际模型服务时，经常遇到连接超时或被拒绝。

问题排查步骤：

# Step 1: 测试基本网络连通性
curl -I https://api.openai.com
# 如果超时 → 需要代理

# Step 2: 检查代理是否生效
echo $http_proxy
echo $https_proxy
# 如果为空 → 设置代理

# Step 3: 设置终端代理
export http_proxy="http://127.0.0.1:7890"
export https_proxy="http://127.0.0.1:7890"
# 端口号取决于你的代理软件配置（常见：7890, 1087, 8080）

# Step 4: 测试 API 连通性
curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer $OPENAI_API_KEY"

Python 中配置代理：

import openai
import httpx

# 方法 1: 通过 httpx client 设置代理
client = openai.OpenAI(
    api_key="sk-xxx",
    http_client=httpx.Client(proxy="http://127.0.0.1:7890")
)

# 方法 2: 通过环境变量（推荐，无需改代码）
import os
os.environ["HTTP_PROXY"] = "http://127.0.0.1:7890"
os.environ["HTTPS_PROXY"] = "http://127.0.0.1:7890"

国内可直接访问的替代方案：

2.3 Token 超限问题🔗

问题描述： 对话过长或文档过大，超出模型的上下文窗口限制，导致报错或"遗忘"早期内容。

常见报错：

openai.BadRequestError: This model's maximum context length is 128000 tokens.
However, your messages resulted in 135672 tokens. Please reduce the length of the messages.

解决方案矩阵：

实用估算公式：

中文文本：1 个汉字 ≈ 1.5 Token（粗略估算）
英文文本：1 个单词 ≈ 1.3 Token
混合文本：1000 字中文 ≈ 1500 Token

所以 128K Token ≈ 8.5 万字中文 ≈ 200 页 A4 文档

2.4 输出格式不稳定🔗

问题描述： 要求 AI 以 JSON / Markdown 表格 / CSV 等特定格式输出，但模型时而遵守时而不遵守，或者输出的格式有微小差异导致后续解析失败。

解决策略：

策略一：明确格式约束 + 示例

请以严格的 JSON 格式返回结果，不要包含任何其他文字说明。格式如下：

{
  "protein_name": "字符串",
  "organism": "字符串",
  "function": "字符串",
  "pdb_id": "字符串或 null"
}

仅返回 JSON，不要返回 ```json 标记或其他任何文字。

策略二：使用 Structured Output（API 调用）

# OpenAI 的 JSON Mode
response = client.chat.completions.create(
    model="gpt-4o",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "你是一个数据提取助手，始终以 JSON 格式返回结果。"},
        {"role": "user", "content": prompt}
    ]
)

策略三：后处理容错

import json
import re

def parse_ai_response(response_text: str) -> dict:
    """从 AI 回复中提取 JSON，容忍 Markdown 代码块包裹。"""
    # 尝试直接解析
    try:
        return json.loads(response_text)
    except json.JSONDecodeError:
        pass

    # 尝试从 Markdown 代码块中提取
    json_match = re.search(r'```(?:json)?\s*([\s\S]*?)```', response_text)
    if json_match:
        try:
            return json.loads(json_match.group(1))
        except json.JSONDecodeError:
            pass

    raise ValueError(f"无法从 AI 回复中解析 JSON：{response_text[:200]}...")

2.5 API 速率限制（Rate Limiting）🔗

问题描述： 短时间内发送过多 API 请求，被服务商限流。

常见报错：

openai.RateLimitError: Rate limit reached for gpt-4o in organization xxx
on requests per min (RPM): Limit 500, Used 500, Requested 1.
Please try again in 120ms.

解决方案：

import time
from tenacity import retry, wait_exponential, stop_after_attempt

# 方案 1: 简单重试 + 延时
def call_api_with_retry(prompt, max_retries=3):
    for attempt in range(max_retries):
        try:
            response = client.chat.completions.create(
                model="gpt-4o",
                messages=[{"role": "user", "content": prompt}]
            )
            return response
        except openai.RateLimitError:
            wait_time = 2 ** attempt  # 指数退避：1s, 2s, 4s
            print(f"速率限制，等待 {wait_time} 秒后重试...")
            time.sleep(wait_time)
    raise Exception("多次重试后仍然失败")

# 方案 2: 使用 tenacity 库（推荐）
@retry(wait=wait_exponential(min=1, max=60), stop=stop_after_attempt(5))
def call_api(prompt):
    return client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}]
    )

各平台速率限制参考：

RPM = Requests Per Minute，RPD = Requests Per Day

2.6 模型超时与响应中断🔗

问题描述： 模型响应时间过长，或者输出到一半突然中断。

原因与应对：

# 使用 stream 模式降低超时风险
stream = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": prompt}],
    stream=True,
    timeout=120  # 设置合理的超时时间（秒）
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

2.7 文件上传失败🔗

问题描述： 向 ChatGPT、Claude 等工具上传文件时失败。

常见原因与解决：

2.8 编码问题（UTF-8 / GBK）🔗

问题描述： 处理中文文件时出现乱码，或者 AI 代码生成的脚本在读写中文数据时崩溃。

理解根源：

• UTF-8：国际通用编码，能表示世界上几乎所有文字，推荐始终使用
• GBK / GB2312：中文专用编码，在部分 Windows 程序中仍是默认编码
• 问题根源：编码不匹配——用 UTF-8 去读 GBK 文件（或反过来）就会乱码

最佳实践：

# ✅ 读取文件时显式指定编码
with open("data.csv", "r", encoding="utf-8") as f:
    content = f.read()

# ✅ 如果不确定编码，用 chardet 自动检测
import chardet

with open("unknown_encoding.csv", "rb") as f:
    raw_data = f.read()
    detected = chardet.detect(raw_data)
    print(f"检测到编码: {detected['encoding']} (置信度: {detected['confidence']:.2%})")

content = raw_data.decode(detected["encoding"])

# ✅ pandas 读取时指定编码
import pandas as pd
df = pd.read_csv("data.csv", encoding="utf-8")
# 如果报错，尝试：
df = pd.read_csv("data.csv", encoding="gbk")
# 或使用 encoding_errors 参数容错：
df = pd.read_csv("data.csv", encoding="utf-8", encoding_errors="replace")

VS Code 中的编码设置：

1. 右下角状态栏可以看到当前文件编码
2. 点击编码名称 → "Reopen with Encoding" 可以用正确编码重新打开
3. 建议在 VS Code 设置中默认使用 UTF-8：

   {
     "files.encoding": "utf8",
     "files.autoGuessEncoding": true
   }
   

3. 使用效率优化🔗

3.1 VS Code 与 Copilot 快捷键速查🔗

GitHub Copilot 核心快捷键（macOS / Windows）：

VS Code 通用高效快捷键：

3.2 如何组织对话以便复用🔗

原则：一个话题一个对话

将不同主题的讨论放在不同对话中，好处是：

1. 避免上下文污染：不同任务的上下文不会互相干扰
2. 方便回溯：以后需要时可以快速找到特定对话
3. 节省 Token：每个对话只包含相关内容

对话的结构化组织建议：

# 推荐的对话组织方式

## 对话 1: "蛋白质-配体对接 Python 脚本"
- 聚焦代码问题
- 持续在这个对话中迭代代码

## 对话 2: "论文 Introduction 润色"
- 聚焦写作任务
- 所有修改历史都在这一个对话中

## 对话 3: "MD 模拟 GROMACS 参数"
- 聚焦特定技术问题

什么时候开新对话 vs 继续当前对话？

3.3 构建个人 Prompt 库🔗

建议将常用的高质量 Prompt 保存下来，形成自己的"工具箱"。

推荐的存储结构：

my_prompts/
├── academic_writing/
│   ├── abstract_polish.md        # 摘要润色
│   ├── introduction_draft.md     # Introduction 初稿
│   └── reviewer_response.md      # 审稿人回复
├── coding/
│   ├── python_debug.md           # Python 调试
│   ├── data_viz_template.md      # 数据可视化模板
│   └── batch_processing.md       # 批处理脚本
├── literature/
│   ├── paper_summary.md          # 论文总结
│   └── literature_comparison.md  # 文献对比
└── daily/
    ├── email_draft.md            # 邮件起草
    └── ppt_outline.md            # PPT 大纲

Prompt 模板示例——论文摘要润色：

## 论文摘要润色 Prompt

### 使用方法
将下方 Prompt 复制到 ChatGPT / Claude，替换 [待润色摘要] 部分即可。

### Prompt
你是一位经验丰富的科技论文编辑，擅长生物学和化学领域的学术英文写作。
请润色以下论文摘要，要求：
1. 语言精炼、符合学术规范
2. 保留原文所有技术细节和数据
3. 修正语法错误，提升可读性
4. 以逐句对照的方式展示修改（原文 → 修改后）
5. 在末尾总结主要修改要点

[待润色摘要]

管理建议：

• 📁 用 Markdown 文件保存，放在云盘同步（OneDrive / 坚果云）
• 🏷️ 在每个 Prompt 文件顶部注明：适用场景、使用模型、最后更新日期
• 🔄 定期回顾和优化：每月花 30 分钟整理和改进常用 Prompt
• 🤝 组内共享：在组内共享文件夹中维护公共 Prompt 库

4. 组内经验汇总🔗

本节持续更新。 欢迎所有组员按格式记录自己的踩坑经验，帮助后来的同学少走弯路。

4.1 经验记录模板🔗

每条记录请按以下格式填写：

| 日期 | 问题描述 | 解决方案 | 使用工具 | 贡献者 |

填写说明：

• 日期：遇到问题的日期，格式 YYYY-MM-DD
• 问题描述：简洁、准确地描述遇到的问题（一两句话）
• 解决方案：如何解决的，越具体越好（包含关键命令、设置项、Prompt 等）
• 使用工具：涉及哪个 AI 工具（ChatGPT / Claude / Copilot / DeepSeek 等）
• 贡献者：记录者姓名或昵称

4.2 经验记录汇总🔗

4.3 高频问题 Top 5🔗

根据组内记录统计，最常遇到的问题类型是：

1. 🥇 AI 生成的代码使用了过时的 API / 库版本（占比约 30%）
2. 预防：在 Prompt 中明确要求使用的库版本号
3. 🥈 AI 编造虚假文献引用（占比约 20%）
4. 预防：所有文献手动验证，决不直接引用
5. 🥉 数值计算错误（单位、数量级）（占比约 15%）
6. 预防：涉及数字必须手动复核
7. 网络/代理配置问题（占比约 15%）
8. 预防：参见本章 2.2 节统一配置
9. 中文编码/显示问题（占比约 10%）
10. 预防：参见本章 2.8 节

5. AI 工具故障排查流程🔗

当你使用 AI 工具遇到问题时，请按以下流程逐步排查：

5.1 总体排查流程🔗

                    ┌─────────────────────┐
                    │   AI 工具出了问题？   │
                    └─────────┬───────────┘
                              │
                    ┌─────────▼───────────┐
                    │ 问题分类是什么？       │
                    └─────────┬───────────┘
                              │
          ┌───────────────────┼───────────────────┐
          │                   │                   │
  ┌───────▼──────┐   ┌───────▼──────┐   ┌───────▼──────┐
  │ A. 无法连接   │   │ B. 返回报错   │   │ C. 结果不对   │
  │   /超时       │   │              │   │   /质量差     │
  └───────┬──────┘   └───────┬──────┘   └───────┬──────┘
          │                   │                   │
          ▼                   ▼                   ▼
      见 5.2              见 5.3              见 5.4

5.2 路径 A：无法连接 / 超时🔗

 无法连接/超时
      │
      ├─→ 检查网络连通性（能否打开百度？）
      │     ├─ 不能 → 检查 WiFi / 网线连接
      │     └─ 能
      │           │
      │     ├─→ 访问的是国际服务（OpenAI/Claude/Gemini）？
      │     │     ├─ 是 → 检查 VPN/代理是否开启（见 2.2 节）
      │     │     │        ├─ 已开启 → 检查代理端口是否正确
      │     │     │        │          检查 终端 / VS Code 代理设置
      │     │     │        └─ 未开启 → 开启代理，或改用国内模型
      │     │     └─ 否（国内服务）→ 检查服务是否宕机（看官网状态页）
      │     │
      │     └─→ 是否服务器端问题？
      │           ├─ 查看 status.openai.com / status.anthropic.com
      │           └─ 如果服务正常 → 检查防火墙/安全软件是否拦截
      │
      └─→ 仍无法解决 → 尝试换一个模型/服务暂时替代

5.3 路径 B：返回报错🔗

 返回报错
      │
      ├─→ 报错信息包含什么关键词？
      │
      ├─ "AuthenticationError" / "Invalid API key"
      │     └─→ 检查 API Key 是否正确配置（见 2.1 节）
      │
      ├─ "RateLimitError" / "Too Many Requests" / "429"
      │     └─→ 等待后重试，或添加重试逻辑（见 2.5 节）
      │
      ├─ "context_length_exceeded" / "maximum context length"
      │     └─→ 压缩输入（见 2.3 节）
      │
      ├─ "timeout" / "connection reset"
      │     └─→ 网络问题（回到路径 A）或使用 stream 模式
      │
      ├─ "model_not_found" / "does not exist"
      │     └─→ 检查模型名称拼写，确认是否有访问权限
      │
      ├─ "content_policy_violation"
      │     └─→ 输入触发了内容审核，修改措辞后重试
      │
      └─ 其他报错
            └─→ 复制完整报错信息 → 搜索官方文档 / Stack Overflow
                 → 或将报错信息丢给另一个 AI 帮忙解读

5.4 路径 C：结果不对 / 质量差🔗

 结果不对/质量差
      │
      ├─→ 是什么类型的"不对"？
      │
      ├─ 事实性错误（编造文献、数据错误）
      │     └─→ 这是幻觉（见 1.1 节）
      │          ├─ 要求 AI 标注信息来源
      │          ├─ 用多个模型交叉验证
      │          └─ 关键信息手动查证
      │
      ├─ 格式不符合要求
      │     └─→ 优化 Prompt，提供明确格式示例（见 2.4 节）
      │          ├─ 使用 JSON Mode / Structured Output
      │          └─ 添加后处理容错代码
      │
      ├─ 输出不完整 / 被截断
      │     └─→ Token 限制问题（见 2.3 节）
      │          ├─ 增大 max_tokens
      │          ├─ 追问"请继续"
      │          └─ 拆分任务
      │
      ├─ 代码有 Bug
      │     └─→ 代码测试问题（见 1.5 节）
      │          ├─ 检查库版本
      │          ├─ 在 Prompt 中指定版本号
      │          └─ 用小数据集先测试
      │
      ├─ 回答偏离主题
      │     └─→ Prompt 不够具体（见 1.2 节）
      │          ├─ 精简并聚焦 Prompt
      │          ├─ 添加角色定义和输出约束
      │          └─ 提供几个示例（Few-shot）
      │
      └─ 中文输出质量不佳
            └─→ 尝试换用中文友好的模型（DeepSeek、Qwen、ChatGPT）
                 或先让 AI 用英文输出，再翻译为中文

5.5 快速排查 Checklist🔗

遇到任何 AI 工具问题时，先过一遍这个清单：

• 网络正常？ 能否正常打开网页？代理/VPN 是否开启？
• API Key 有效？ Key 是否正确配置？额度是否充足？
• 模型名称正确？ 拼写是否正确？是否有该模型的访问权限？
• 输入长度合理？ 是否超过模型的上下文窗口限制？
• Prompt 清晰？ 角色、任务、格式是否明确？
• 输出经过验证？ 事实、数据、文献是否手动核实？
• 代码经过测试？ 是否用小数据集跑过？边界条件是否考虑？
• 编码正确？ 文件编码是否为 UTF-8？
• 版本兼容？ Prompt 中是否指定了依赖库版本？
• 已查看官方状态页？ 服务是否正在维护或故障？

本章小结🔗

• ✅ AI 输出必须验证——幻觉是 LLM 的固有特性，不是偶发 Bug
• ✅ Prompt 贵在精炼明确——不是越长越好，结构化比堆砌信息更有效
• ✅ 选择合适的工具——不同模型各有所长，重要任务交叉验证
• ✅ AI 是副驾驶——方向盘和刹车必须在自己手里
• ✅ 代码先测再用——AI 生成的代码同样需要测试和 Code Review
• ✅ 尊重学术诚信——声明 AI 使用，不直接复制粘贴
• ✅ 技术问题系统排查——按流程图逐步定位，不盲目乱试
• ✅ 团队共享经验——你踩过的坑可以帮别人省下几个小时

延伸阅读🔗

• OpenAI 官方使用指南（2026-04 访问）
• Anthropic Claude 文档（2026-04 访问）
• Prompt Engineering Guide（2026-04 访问）
• 相关章节：大模型基础认知
• 相关章节：ChatGPT 使用指南
• 相关章节：VSCode Vibe Coding
• 相关章节：本地部署与隐私安全

参考文献🔗