在实际使用天工AI辅助Python开发时，许多开发者的初始方法就有偏差——他们仅仅提交一句“帮我写个读Excel的函数”或“帮我修个bug”，便期望AI像魔法般输出完美答案。但结果往往是：代码语法看似正确，运行却立即报错；调试半天，改了一堆无关部分，问题依然存在。因此，核心策略只有一条：让AI充分理解你的上下文、错误堆栈和运行环境。
当然，基础门槛必须率先跨越——确保已获取合法API凭证并完成基础调用，否则后续所有操作都将卡在401错误上，这将严重影响效率。
用天工AI写Python代码：从清晰提示到可运行代码
方法一虽然基础，但常被忽视：结构化提问，附带充足约束条件。在构建messages时，user content内必须包含输入示例、期望输出格式及边界条件。举例来说，不要写“写个函数读Excel”，而应这样描述：“编写一个Python函数，接收xlsx路径字符串，返回字典列表；每个字典以表头名为键、对应单元格内容为值；若文件不存在，抛出FileNotFoundError；若第一行为空，跳过该行；使用openpyxl实现，不依赖pandas。”这种将需求逐条拆解的方式，能让AI输出真正可用的代码。操作非常简单，直接将此类自然语言描述填入messages的content字段即可。
方法二适用于复杂逻辑场景：分步生成，避免一次到位。例如，要编写带重试机制的HTTP客户端，不要指望AI一次输出完整代码。建议拆分为三轮请求：第一轮仅定义类结构与__init__方法；第二轮补充get方法签名与基础requests调用；第三轮再加入timeout、status_code判断和指数退避逻辑。为何如此繁琐？因为AI在单次响应中堆砌过多细节时，极易遗漏异常分支。与其浪费时间调试它遗漏的边界条件，不如引导它逐步构建。
用天工AI定位Python运行时Bug
这是最常见的需求，也最容易出错。不要仅粘贴报错信息就了事——天工AI无法看见你的本地变量状态，未执行你的代码，仅凭traceback容易误判，甚至给出“加个try-except掩耳盗铃”的拙劣建议。
第一步：提取完整上下文。复制报错前后5行代码、完整traceback以及执行时输入的实际参数（如调用函数时传递的字典内容）。关键点：若报错为KeyError: 'xxx'，必须说明该key本应由哪段逻辑写入，否则AI可能建议直接加try-except，而忽略上游数据缺失这一根本原因——这属于典型的治标不治本。
第二步：标注已验证的线索。在prompt中明确写出“已确认data为dict类型”“print(type(data))输出
第三步：要求返回可验证的修改方案。结尾加上：“请仅修改引发报错的那一行附近代码，不要重构整个函数；修改后给出验证方式，例如‘运行后应打印success而非报错’”。这样可避免AI擅自重写大段逻辑带来新问题，修改后也能立刻验证效果，无需猜测。
用天工AI优化Python代码性能
当代码运行通过但速度较慢时，直接将profile结果提供给AI，比简单说“优化一下”有效十倍。
方法一：提供cProfile输出片段。执行python -m cProfile -s cumulative your_script.py，截取耗时最高的3个函数及其调用次数、累计时间。将约10行输出直接发送给天工AI，它能精准定位瓶颈是字符串拼接、重复IO还是低效循环。相比之下，空洞的“优化一下”只会让AI盲目猜测，很可能修改后代码反而更慢。
方法二：对比前后代码差异。若你已尝试优化但效果不佳，将“原始版”与“修改版”代码并列提交，并注明实测耗时变化（如“从2.3s降至2.1s”）。AI会分析为何改动未起作用——可能是缓存未清、测试数据量不足，或根本未命中瓶颈。这种“对答案”式交互，能快速帮你判断下一步优化方向。