第12章 WorkBuddy 版提示词优化对照表 📚 | AI带你玩转Python

第12章用户提示词 WorkBuddy 版本优化对照表

基于"第12章数据可视化：用图表讲述教学与业务故事"中所有【用户提示：】内容，针对 WorkBuddy 教育数据分析任务场景进行系统性优化。

优化原则：增强可执行性、明确数据上下文、参数化输出、结果导向。

开篇导读：为什么需要 WorkBuddy 版提示词？

在原始第12章中，六段【用户提示：】生动还原了一位教师与 AI 协同探索数据可视化的完整旅程——从"该用什么图表"的入门困惑，到"帮我修复这张图"的调试进阶，再到"如何写出更好的提示"的元认知跃迁。这些提示词真实、自然，完美服务于教材的教学目标。

然而，当你合上教材、打开 WorkBuddy，面对真实的教育数据分析任务时，情况发生了变化：

你不再是"学习者"，而是"交付者"——你需要一份可以直接跑通的代码，而非一轮探索性对话。

你面对的不再是模拟数据，而是你自己的真实数据表——字段名、量纲、缺失值都需要在提示中精确约定。

你的受众不再是 AI 助手，而是教学管理团队——图表需要自带统计结论和诊断建议，而非停留在"看起来不错"。

阅读建议：如果你正在准备一场期末教学汇报，可直接跳至 #1～#4，取用优化版提示词；如果你在调试一张"不对劲"的图表，#5 的结构化调试模板将立竿见影；如果你想为自己常用的分析场景打造一套可复用的提示模板，#6 和末尾的六大优化原则是最好的起点。

提示词 #1：选择合适的分布图表

维度	内容
原版提示词	"我有一份包含 50 名学生期末成绩的数据，想要展示班级整体的成绩分布情况，直观地看出高分段、中分段和低分段各有多少人。应该用什么图表比较好？"
WorkBuddy 优化版	"分析任务：班级成绩分布可视化。数据源：`student_df`，字段 `total_score`（期末总成绩，百分制），50名学生。目标：直观展示高分段(≥90)、中分段(60-89)、低分段(<60)的人数分布。请推荐最适合的图表类型（直方图/箱线图/密度图），给出权衡分析，并生成可直接运行的 Python 代码（Matplotlib），要求：中文标签、分10个区间、添加正态分布参考线、输出图表标题含班级平均分。"
优化依据	1. 任务化标题：以"分析任务："开头，符合 WorkBuddy 的任务驱动范式。2. 明确数据字段：指定 `student_df` 和 `total_score`，消除歧义。3. 量化分段标准：明确高/中/低分段的阈值，让 AI 能精准判断需求。4. 输出要求前置：直接要求生成可运行代码，而非停留在讨论阶段。5. 附加分析增强：要求正态分布参考线和平均分标注，提升图表的分析深度。

提示词 #2：探索变量间关联性

维度	内容
原版提示词	"我想分析学习时长和学习成绩之间是否存在关联，看看是不是学习时间越长的学生，成绩就越高。应该用什么方法来可视化这种关系？"
WorkBuddy 优化版	"分析任务：学习投入与学业产出相关性分析。数据源：`student_df`（第12周切片），X轴=`study_hours`（当周学习总时长，小时），Y轴=`total_score`（总成绩，百分制）。要求：1) 用 Pyecharts 生成交互式散点图，每个点代表一名学生；2) 计算 Pearson 相关系数并嵌入图表标题；3) 用 `scipy.stats` 做显著性检验（p值），将结果以注释文本显示在图表右上角；4) 添加线性回归趋势线（`np.polyfit` 一次拟合）；5) 输出独立 HTML 文件，tooltip 显示学生姓名。请生成完整可运行代码。"
优化依据	1. 数据切片明确：指定"第12周切片"，避免 AI 误用全学期数据。2. 量化指标：明确使用 Pearson 相关系数（而非笼统说"相关性"）。3. 统计严谨性：增加显著性检验（p值），将探索性分析提升为推断性分析，符合教育研究规范。4. 趋势线增强：明确要求线性回归趋势线，使散点图从"展示"升级为"建模"。5. 交互细节：tooltip 显示学生姓名，便于教学管理者快速定位个体。

提示词 #3：绘制学习轨迹

维度	内容
原版提示词	"我想为单个学生绘制学习轨迹图，看看他从第 1 周到第 12 周的测验成绩变化趋势，了解他的学习稳定性。"
WorkBuddy 优化版	"分析任务：个体学生学习轨迹追踪。数据源：`student_df`，筛选 `student_name='学生_1'`，X轴=`week`(1-12)，Y轴=`quiz_score`（测验成绩）。要求：1) 用 Pyecharts 生成交互式折线图；2) 自动标记最高分/最低分（MarkPoint）及个人平均线（MarkLine）；3) 在图表副标题显示成绩波动系数（标准差/均值 × 100%）；4) 用不同颜色标注上升期（斜率>0）和下降期（斜率<0）的线段；5) 添加班级平均分曲线作为对比基准（虚线、灰色）；6) tooltip 同时显示个人成绩与班级平均的差值。输出独立 HTML 文件，代码含中文注释。"
优化依据	1. 稳定性量化：原版笼统说"了解学习稳定性"，优化版用变异系数（CV）精确衡量。2. 双基准对比：增加班级平均分曲线，将孤立个体分析变为相对位置分析，对教学诊断更有价值。3. 分段着色：上升/下降期不同颜色，让趋势方向一目了然，提升视觉叙事能力。4. 差值 tooltip：显示个人与班级平均的差值，直接回答"该生是否落后于班级"这一教学核心问题。5. 参数化输出：副标题嵌入统计指标，图表自身即报告。

提示词 #4：多维能力评估

维度	内容
原版提示词	"我想为单个学生创建一个综合能力分析图，直观地比较他在作业、测验、参与度、学习时长这几个不同方面的表现，一眼看出他的'能力短板'。"
WorkBuddy 优化版	"分析任务：学生多维能力雷达画像。数据源：`student_df`，筛选 `student_name='学生_10'` 且 `week=12`。维度定义：1) 作业能力=`homework_score`（百分制），2) 测验能力=`quiz_score`（百分制），3) 课堂参与=`participation_score`（原始1-5分，×20标准化），4) 学习投入=`study_hours`（原始小时，以10h为满分×10标准化）。要求：1) 用 Pyecharts Radar 生成雷达图；2) 叠加班级平均雷达作为半透明对比层（灰色填充，alpha=0.3）；3) 在图表下方自动生成文字诊断：列出最强维度（得分最高）和最弱维度（得分最低），并给出针对性改进建议模板；4) 所有维度统一 max\_=100；5) 输出独立 HTML 文件。请生成完整代码。"
优化依据	1. 标准化规则显式化：明确写出 ×20 和 ×10 的转换公式，避免 AI 自行猜测导致错误。2. 对比层叠加：班级平均雷达作为基准，将"能力画像"升级为"相对能力画像"，回答"该生相对于班级水平如何"。3. 自动化诊断：图表不仅是展示，还自动生成文字诊断和改进建议，实现"图表→洞察→行动"的闭环。4. 模板化建议：改进建议用模板形式，教师可直接填入具体措施后发给学生，实用性强。

提示词 #5：修复有问题的图表（调试场景）

维度	内容
原版提示词	"我让 AI 帮我画一个展示学生进步情况的图表，但结果只比较了期初和期末成绩，忽略了中间的波动，比如有些学生成绩是先降后升的。我希望看到每个学生的完整学习轨迹曲线。"
WorkBuddy 优化版	"调试任务：修复学生学习进步可视化方案。当前问题：AI生成的图表仅对比 week=1 与 week=12 的两个数据点（净变化），丢失了中间10周的过程信息，无法识别 V型反弹、平台期、持续下滑等关键学习模式。期望修复：1) 切换到多点折线图（Line chart），横轴 week(1-12)，每条折线代表一名学生；2) 使用 Pyecharts，同时展示前5名学生（`学生_1` 至 `学生_5`）的 `quiz_score` 轨迹；3) 对每位学生自动计算并标注：a) 全期趋势方向（线性回归斜率符号），b) 最大连续上升/下降周数，c) 期末vs期初净变化量；4) 用 `is_smooth=True` 平滑曲线以减少周间噪声干扰；5) 图表下方输出 Markdown 表格，汇总每位学生的上述三项指标。输出独立 HTML 文件。请生成修复后的完整代码并注释关键改动。"
优化依据	1. 问题结构化描述：明确指出"当前问题→期望修复"，形成清晰的调试契约。2. 关键模式命名：V型反弹、平台期、持续下滑——用领域术语让 AI 精确理解需要检测的模式。3. 多维度指标：不只看净变化，还看趋势方向和持续性，提供更立体的进步评估。4. 图+表双输出：图表展示轨迹，表格汇总指标，满足不同汇报场景（演讲用图、文档用表）。5. 平滑处理：`is_smooth=True` 减少噪声，让趋势更清晰，体现对教学数据"信号vs噪声"的理解。

提示词 #6：优化可视化提示（提示工程场景）

维度	内容
原版提示词	"我想让 AI 帮我创建一个综合的教学分析仪表板，但第一次的提示效果不理想。如何改进我的提示？"
WorkBuddy 优化版	"提示工程任务：构建教育数据分析仪表板的WorkBuddy提示模板。场景：期末教学会议，50名学生12周学习数据，DataFrame `student_df`（字段：student_name, week, homework_score, quiz_score, participation_score, study_hours, total_score），受众为教学管理团队（非技术背景）。请基于四要素法（背景·需求·输出·示例）生成一个结构化提示模板，具体要求：1) 背景段包含数据源路径、受众特征、汇报场景；2) 需求段用编号列表明确每个子图的功能、数据筛选条件、图表类型、库选择（Matplotlib/Pyecharts）；3) 输出段规定代码格式（完整可运行、中文注释、独立HTML文件）、图表质量标准（中文标签、网格线、图例位置）；4) 示例段给出一个期望图表的文字描述范例；5) 模板末尾附带'参数替换清单'，列出教师可自行修改的变量名（如学生姓名、周次范围）。输出完整提示模板文本，而非代码。"
优化依据	1. 场景锚定：明确 WorkBuddy 环境下的具体数据表名和字段，让模板即插即用。2. 四要素法落地：将原版模糊提及的框架转化为具体的分段要求，每个要素都有可操作的检查项。3. 参数替换清单：这是 WorkBuddy 场景的关键创新——教师只需修改清单中的变量即可复用于不同课程，极大提升复用性。4. 受众意识：明确"非技术背景"受众，影响图表设计决策（如避免复杂统计术语、偏好直观图形）。5. 模板输出而非代码：本提示的目标是产出"提示模板"本身，体现提示工程的元认知。

优化总结：六大优化原则

原则	说明	典型体现
任务化标题	以"分析任务/调试任务/提示工程任务"开头	全部6条
数据源显式化	明确 DataFrame 名称、字段名、筛选条件	#1 #2 #3 #4 #5 #6
输出可执行化	要求生成完整可运行代码 + 中文注释	#1 #2 #3 #4 #5
统计增强化	从展示升级为分析：p值、变异系数、回归斜率	#2 #3 #5
对比基准化	添加班级平均等参照系，变孤立分析为相对分析	#3 #4
闭环行动化	图表→洞察→建议，输出不仅展示更包含诊断	#4 #5

文件版本：WorkBuddy v1.0 创建日期：2026-07-14 基于：第12章数据可视化：用图表讲述教学与业务故事适用场景：WorkBuddy 教育数据分析任务中的 AI 协同提示词编写

第12章 用户提示词 WorkBuddy 版本优化对照表