任务类型

免费版通常能做什么

Plus更有价值的地方

必须人工完成

单个语法问题

解释语法和给出短示例

通常不是刚需

核对语言版本与官方文档

长日志和多文件分析

可以处理有限上下文

更适合持续、多轮分析

本地复现与验证根因

陌生项目理解

可分析局部文件

便于连续整理目录、入口和数据流

运行项目并核对真实调用链

代码审查与重构

给出常见改进建议

更适合围绕同一上下文迭代

确认业务契约与兼容性

测试与文档生成

生成初稿

适合批量整理重复内容

补齐业务边界并执行测试

API程序开发

与ChatGPT订阅分开

Plus不包含API额度

按API文档单独配置

demo_service/
├─ app/
│  ├─ api/
│  │  └─ user.py
│  ├─ services/
│  │  └─ user_service.py
│  ├─ repositories/
│  │  └─ user_repository.py
│  └─ main.py
├─ tests/
├─ requirements.txt
└─ README.md

帮我分析这个项目。

你是一名负责接手Python Web项目的后端工程师。

我将提供目录树、启动入口、依赖文件和部分核心代码。请先不要重构代码，而是输出：
1. 项目的可能分层结构；
2. 程序启动入口；
3. 一次用户查询请求可能经过的调用链；
4. 配置、数据库和外部接口可能位于哪里；
5. 当前无法确认、需要我继续提供的文件；
6. 建议的阅读顺序。

要求：
- 将“代码中已确认的信息”和“基于命名的推测”分开；
- 不要编造不存在的模块；
- 每个结论都标注依据的文件路径。

验证重点

AI给出的架构图只能作为阅读导航。开发者仍需实际启动项目、跟踪导入关系、检查路由注册、读取配置加载逻辑，并使用调试器或日志确认真实调用链。

import pandas as pd

df = pd.DataFrame({"age": ["18", "20", "未知"]})
df["age"] = df["age"].astype(int)

ValueError: invalid literal for int() with base 10: '未知'

运行环境：
- Python 3.12
- pandas 2.x
- Windows 11

预期结果：将age列转换为可计算的整数类型。
实际结果：astype(int)抛出ValueError。

请完成：
1. 提取错误日志中已经确认的事实；
2. 按可能性列出根因；
3. 为每个根因给出一条验证方法；
4. 给出最小修改方案；
5. 给出适合生产数据的稳健方案；
6. 说明应补充哪些回归测试。

不要假设“未知”一定可以直接删除。

df["age"] = pd.to_numeric(df["age"], errors="coerce").astype("Int64")

import requests


def fetch_user(user_id: int) -> dict:
    url = f"https://example.com/api/users/{user_id}"
    response = requests.get(url)
    return response.json()

你是一名资深Python后端工程师。
请对下面代码做生产环境级审查，重点检查：
- 参数校验；
- 请求超时；
- HTTP状态码；
- 网络异常；
- JSON解析异常；
- 返回类型；
- 日志与敏感信息；
- 可测试性。

输出格式：问题位置、风险等级、问题原因、验证方法、最小修改建议。
不要假设目标接口支持重试，也不要虚构返回字段。

from typing import Any

import requests
from requests.exceptions import RequestException


class UserFetchError(RuntimeError):
    pass


def fetch_user(user_id: int, timeout: float = 10.0) -> dict[str, Any]:
    if user_id <= 0:
        raise ValueError("user_id必须是正整数")

    try:
        response = requests.get(
            f"https://example.com/api/users/{user_id}",
            timeout=timeout,
        )
        response.raise_for_status()
        data = response.json()
    except (RequestException, ValueError) as exc:
        raise UserFetchError(f"获取用户信息失败：{exc}") from exc

    if not isinstance(data, dict):
        raise UserFetchError("接口返回的数据结构不符合预期")

    return data

def calculate_discount(price: float, rate: float) -> float:
    return price * (1 - rate)

请使用pytest为下面函数设计测试。

先完成两件事：
1. 列出函数当前没有定义的输入约束和业务行为；
2. 将测试分成“现有行为测试”和“需要产品确认后才能写的测试”。

已确认需要覆盖：
- 正常价格与折扣率；
- rate为0；
- rate为1；
- 浮点数精度。

不要自行决定负数价格和越界折扣率应该抛出什么异常。

import pytest

from discount import calculate_discount


@pytest.mark.parametrize(
    ("price", "rate", "expected"),
    [
        (100.0, 0.2, 80.0),
        (100.0, 0.0, 100.0),
        (100.0, 1.0, 0.0),
        (99.9, 0.15, 84.915),
    ],
)
def test_calculate_discount(price, rate, expected):
    assert calculate_discount(price, rate) == pytest.approx(expected)

请根据我提供的Git diff、需求说明和测试结果，生成一份变更说明。

输出结构：
1. 变更目标；
2. 修改的模块和文件；
3. 对外接口是否变化；
4. 数据结构或配置是否变化；
5. 已完成的测试；
6. 尚未覆盖的风险；
7. 回滚方式。

约束：
- 只写材料中能够确认的内容；
- 不要把推测写成已完成事项；
- 每项结论标注对应文件或测试依据；
- 不要输出Token、密钥、内网地址和用户隐私。

适合交给AI的部分

目录整理、重复格式转换、代码差异摘要、测试清单初稿和术语统一。最终版本仍需由提交代码的开发者确认，因为AI无法知道哪些变更已经上线、哪些配置只存在于本地。

实际使用情况

建议

偶尔查询语法、正则表达式或命令参数

先使用免费版

每周只处理少量短代码

免费版通常够用

经常分析长日志、多个文件和技术文档

Plus的高额度和文件能力更有价值

每天进行多轮Bug排查和代码Review

可根据实际中断频率评估Plus

主要需求是程序调用大模型API

Plus不是API套餐，应单独查看API计费

无法验证AI生成代码是否正确

不应直接用于生产环境，与是否订阅无关

不要直接提供

建议处理方式

API Key、Access Token、Cookie

替换为TEST_TOKEN等占位符

真实姓名、手机号、身份证号

替换为虚构样本或匿名ID

公司内网地址和未公开域名

改为example.com

完整生产数据库导出

仅保留最小字段和匿名样本

未公开源代码与商业机密

提取能够复现问题的最小逻辑

客户合同、账号和支付信息

不要上传，改用脱敏字段描述问题