GLM-5 实战技巧：5个提效方法，我都帮你踩过坑了

为什么我开始认真研究 GLM-5

上个月我接了一个老项目的重构活：一个 6 万行的 Python 后端，混杂着业务逻辑、数据库迁移脚本和一堆没人敢动的定时任务。预算紧、周期短，我用平时的工作流跑了两周，发现两个痛点：

长上下文场景下 token 费用失控。每次把整个模块塞进上下文，一轮对话几毛钱，一天下来几十块，肉疼。
中文注释和中文需求文档的理解，某些模型总感觉“隔了一层”，我写的中文 PRD 它经常理解偏。

同事推荐我试试 GLM-5，说它中文场景强、价格友好。我抱着怀疑态度用了一个月，下面是我实际跑出来的 5 个提效方法——包括我一开始走弯路的部分。

技巧一：用结构化提示词代替“自然语言倾诉”

我最开始的用法很典型——像跟人聊天一样写需求：

“帮我重构一下 user_service.py 里面的登录逻辑，顺便处理一下 token 过期的问题，代码风格保持一致。”

结果它给我输出了一个“看起来对但完全没考虑我项目现有异常体系”的版本，我花了半小时改回去。

后来我改成了结构化写法：

【角色】你是资深 Python 后端工程师
【任务】重构 auth/login.py 中的登录函数
【约束】
1. 异常处理沿用项目现有的 AuthError 体系（见下方示例）
2. 不引入新依赖
3. 保留原有函数签名
【现有代码】
{粘贴 login.py}
【异常体系示例】
class AuthError(Exception): ...
【输出要求】只输出完整重构后的代码，不要解释

效果对比：之前平均要改 2-3 轮，现在基本一轮到位。关键是那个“异常体系示例”——把项目的约定直接喂给它，比我用文字描述“保持风格一致”有效得多。

技巧二：控制上下文，别一股脑全塞进去

这是我付出真金白银学到的教训。有一次我把 3000 行的模块整个贴进去问一个问题，GLM-5 回答得不错，但我意识到：我付了 3000 行的钱，其实只需要它看 200 行。

我的做法变成了：

先让它输出一个函数调用关系图（让它读目录结构就行）：

以下是项目目录树和各文件的前 20 行，请列出
order 相关的函数调用链，标注哪些文件我需要完整阅读

它给出精确定位后，我只粘贴相关的函数。

这一个改动让我的 token 消耗降到了原来的三分之一左右。GLM-5 本身的上下文窗口不小，但“窗口大”不等于“应该全用”，精准投喂永远是性价比最高的做法。

技巧三：中文需求 → 英文代码，反向也可以

这是我用 GLM-5 最惊喜的一点。我的 PRD 是中文的，以前要自己先翻译成英文 prompt。现在直接贴中文：

需求：订单超时未支付 15 分钟自动取消，取消时要退还优惠券。
注意：优惠券退还逻辑在 coupon_service.refund() 中，
要防止重复退款（幂等）。

它准确理解了“幂等”这个中文语境下的隐含要求，输出里主动加了状态检查和数据库层面的防重复逻辑。这一点上它确实比我要“翻译”的模型省事。

反过来，让它给代码写中文注释也很稳：

给以下代码添加中文 docstring，风格遵循 Google Style，
重点说明边界条件和线程安全性

技巧四：用“多步拆解”处理大任务，而不是一口气生成

我试过让它“直接生成一个完整的 Flask + SQLAlchemy 的用户模块”，生成的代码单看每段都还行，拼起来就是变量名不统一、import 缺失。

后来改成三步走：

第一步：只要它输出模块设计和文件划分，我不让它写代码。
第二步：确认设计后，逐文件生成，每次生成时把“上一个已完成文件的关键接口”附上。
第三步：让它生成 test_smoke.py 做冒烟测试。

多花了两轮对话，但省掉了至少一小时的手工拼装调试。生成代码便宜，改代码贵——这是我反复验证的原则。

技巧五：温度和参数别用默认值一根筋跑到底

不同任务适合不同设置，我现在的配置：

任务类型	temperature	说明
写正式代码	0.1–0.3	要确定性，不要“创造力”
头脑风暴/命名	0.7–0.9	需要多样性
代码审查	0.2	结论要稳定可复现
写文档	0.5	折中

最典型的是命名场景。我卡在一个函数命名上时，用 temperature 0.9 让它一次给 10 个候选：

给这个函数起名，输出 10 个候选，按语义准确度排序：
{函数体}

temperature 0.1 的时候它每次都给同样三个名字，开高之后候选明显更丰富。这个开关很多人从来不碰，其实是最便宜的提效手段。

踩过的坑，说点实话

长代码文件偶尔会“偷懒截断”。让它重写一个 400 行的文件时，有时中间会省略。我的对策是要求“输出完整文件，不要用 ... 省略”，并在代码块结尾检查是否以预期内容收尾。
对冷门第三方库的 API 会自信地编造。有一次它给我用了一个不存在的 sqlalchemy 参数，语法完全通顺但运行就报错。所以涉及不熟的库，我一定让它先列出所用 API，我去官方文档核对。
流式输出建议打开，长生成等待时能看到进度，心理体验完全不同。

总结

一个月用下来，GLM-5 在我的工作流里站稳了脚跟，特别是中文需求理解和成本控制这两点。5 个技巧按优先级排：精准投喂上下文 > 结构化提示词 > 多步拆解 > 参数调优 > 中英混用。前两个是省钱的，后三个是省时间的。

它不是万能的——复杂架构决策、需要跨服务全局视野的任务，还是得靠人。但把它当成一个“随叫随到、中文流利、价格实在的初级工程师搭档”，用对了方法，产出比相当可观。

GLM-5 实战技巧：5个提效方法