在使用Kimi生成避坑清单时，如果提示词没有清晰说明“错误写法”与“正确写法”的对比逻辑，模型往往会仅罗列注意事项、泛泛谈论风险，甚至将错误当作正确示例混入其中，导致清单缺乏实际可操作性。

明确指令结构：先定义再对比

第一步，在提示词开头直接声明任务目标——“生成一份包含常见错误写法与对应正确写法的避坑清单”。缺少这句话，Kimi默认会按常规建议格式输出，不会主动拆解正误对照。

第二步，使用具体字段限定输出格式。每条避坑项必须包含三个核心部分：①常见错误写法（附真实代码或语句片段）；②该写法导致的后果（一句话点明问题本质）；③正确写法（可直接复制使用的修正版本）。

第三步，提供一个带错误的示例锚点。例如：“错误写法：`if x = 5:` → 这是Python语法错误，应改为`==`”。Kimi看到这种带有箭头的显式错误标注后，会立即识别出你要求的是“错误→后果→修正”的完整链路。

堵住典型幻觉漏洞：禁用模糊表述

方法一，禁止使用“可能”“建议”“一般情况下”等弱判断词汇。直接要求：不允许出现“可能出错”“建议避免”这类表述，每条必须确认为确定性错误。

方法二，强制引用来源依据。所有错误写法必须来自真实报错截图、最新文档明确反对的用法，或主流教程中已被淘汰的写法；无法提供依据的条目不得列入。

方法三，指定错误类型标签。每条开头用【语法错误】【逻辑陷阱】【API弃用】【性能反模式】四类之一标记，禁止自创分类。

用对比样本锁定输出风格

在提示词末尾附加一段你期望的最终效果样本，且样本中必须包含真实技术细节：

【语法错误】
错误写法：df.groupby('category').apply(lambda x: x.sum())
后果：Pandas 2.0+ 中该写法会触发FutureWarning，实际返回结构混乱的Series而非DataFrame
正确写法：df.groupby('category').agg('sum') 或 df.groupby('category').sum()

这一步最为关键——Kimi对样本的模仿精度远高于文字描述。若没有该样本，它大概率会生成“不要滥用循环”“注意变量命名”这类空泛内容。