数据科研提示词设计：CRISP原则与实战技巧
1. 数据科研提示词设计方法论
北航何静老师整理的77个数据科研提示词清单，为科研工作者提供了系统化的AI协作方案。这份资源的价值不仅在于数量，更在于其针对数据科学工作流的精准分类——从数据清洗到模型调优，每个环节都配备了可直接套用的提示模板。
1.1 提示词工程的核心逻辑
优质提示词需要遵循"CRISP"原则：
- Contextual（场景化）：明确指定任务背景（如"针对医疗影像的CNN模型"）
- Role-defined（角色定义）：设定AI的专家身份（如"你是有5年经验的Python数据科学家"）
- Iterative（可迭代）：保留参数调整空间（使用[括号]标注可变参数）
- Specific（具体化）：避免模糊表述（如不说"改进模型"而说"通过调整学习率提升验证集准确率"）
- Progressive（渐进式）：复杂任务分步骤拆解（先数据预处理再特征工程）
实践发现：加入约束条件能显著提升输出质量。例如要求"给出可直接运行的完整代码"比单纯请求"示例代码"获得的结果更实用。
1.2 数据科研全流程提示词设计
1.2.1 数据准备阶段
# 优质提示词示例： """ 你是有Kaggle竞赛经验的数据工程师，请为信用卡欺诈检测数据集： 1. 用pandas实现缺失值处理（展示3种不同策略） 2. 输出每种策略对类别分布的影响矩阵 3. 给出最终选择的处理建议及完整代码 要求处理后的数据可直接用于sklearn pipeline """1.2.2 特征工程环节
- 数值特征："设计基于业务逻辑的特征交叉方案，说明每个新特征的物理意义"
- 文本特征："用TF-IDF和Word2Vec两种方法处理产品评论，对比在情感分析任务中的效果差异"
- 时序特征："为销售数据生成有经济学意义的滞后特征，附ADF检验结果"
1.2.3 模型开发阶段
# 模型选择提示词模板： """ 现有数据集特征： - 样本量：50万条 - 特征维度：200维（含50个稀疏特征） - 目标变量：多分类（7个类别） 根据上述特点： 1. 推荐3种适合的算法并说明选择理由 2. 给出每种算法的超参数调优范围 3. 提供类别不平衡问题的解决方案 要求回复包含可运行的GridSearchCV示例 """2. 高阶提示技巧实战
2.1 思维链（Chain-of-Thought）应用
通过分步引导获得更可靠的输出：
"请按以下步骤分析用户流失预测问题： 1. 先列出可能影响流失率的10个关键因素 2. 针对每个因素设计可量化的特征提取方案 3. 评估这些特征与目标变量的Spearman相关性 4. 最终给出特征重要性排序及业务解释"2.2 对抗性提示设计
预防常见问题的防御性写法：
- 过拟合防范："在推荐正则化参数时，需同时给出训练/验证集的学习曲线"
- 可复现性："所有随机操作需设置固定seed，并在代码注释中说明"
- 可解释性："模型输出需包含SHAP值计算及特征贡献可视化"
2.3 多模态提示组合
结合不同输出格式的要求：
"请用以下结构回答： 【业务洞见】用1-2句话总结核心发现 【技术方案】分条目列出实施步骤 【代码实现】提供完整可执行的Python代码 【验证方法】说明评估指标及测试方法"3. 领域特定提示词优化
3.1 生物医学数据提示要点
- 强调伦理约束："所有患者数据需进行k-anonymity处理"
- 特殊格式处理："处理DICOM影像时需包含窗宽/窗位调整步骤"
- 领域术语校验："使用MeSH术语表验证基因名称的规范性"
3.2 金融风控场景提示设计
- 监管合规："特征工程需符合巴塞尔协议III要求"
- 时效性处理："说明如何处理交易数据的时间衰减效应"
- 可审计性："所有特征转换需保留完整的逆向追踪路径"
4. 提示词效能评估体系
4.1 质量评估指标
建立量化评分卡（每项1-5分）：
- 代码可执行性（直接运行通过率）
- 方案完整性（端到端覆盖度）
- 创新价值（超出基础方案的程度）
- 计算效率（时间复杂度说明清晰度）
- 可扩展性（适配其他数据集的难易度）
4.2 持续优化策略
- A/B测试法：对同一任务设计不同提示词变体
- 错误分析：统计AI的常见失误类型并针对性改进
- 版本控制：用git管理提示词迭代历史
关键心得：最佳提示词往往需要10-15次迭代。建议建立自己的提示词库并定期更新，标注每个提示词的有效场景和局限性。
