ap3.2实操⏱ 约 11 分钟

校验与自动修复:让不合格的输出自己改

一组对照实验——好提示词修复零收益,弱提示词救回 12/12

🔎 最后验证 2026-08📚 来源:本节两组对照实验为 ECS 实测(2026-08,deepseek-chat,12 条含脏数据输入 × 复杂 schema,脚本与原始输出见本节代码)🧰 DeepSeek API、Python

为什么学这个

上一节把字段一致率从 0/30 拉到了 30/30。但那是理想条件:扁平 schema、干净输入。

这一节上强度:嵌套数组 + 枚举 + 类型约束的复杂 schema,配上 6 条故意搞脏的输入(信息全缺、全是指代、前后矛盾、渠道超出枚举范围)。然后回答一个实际问题:要不要建"自动修复循环"?

答案有点意外——取决于你的提示词写得好不好。两组对照实验说话。

💡 打个比方

工厂质检有两种思路:发现次品就扔(简单但浪费),发现次品退回产线返修(多花点工序但救得回来)。

哪种划算,取决于次品率:次品率 1% 时,退回返修的机制基本闲置;次品率 50% 时,它就是你的生命线。这一节实测的正是这件事。

实验设计

schema:客户名(字符串)+ 渠道(枚举 app/web/phone)+ 总额(数字)+ 商品(嵌套数组,每项含名称/数量/单价)+ 是否加急(布尔)
输入:12 条订单,其中 6 条是脏的——"有人订了点东西"、"客户说要那个之前买过的,老规矩"、含大量干扰数字且渠道是"小程序"(枚举外)、"苹果 5 斤…后来改成 3 斤"(前后矛盾)

都看到这了，打个赏呗！