技巧与最佳实践
在长分析中保持专注
让每段分析会话简短、专注,避免长对话中因上下文过多而出错。
对话越长,越容易出错,因为 AI 要记住之前的大量消息、输出和变量。
上下文变大后,AI 可能会:
- 弄混文件路径或变量名
- 把不同分析步骤的结果混在一起
- 给出看似合理但实际错误的统计结果
- 忘掉较早的输出
最稳妥的做法是让每段分析会话保持简短、专注。
核心策略:一项分析 = 一段会话
不要在一个长对话里跑完整个工作流,而是把它拆成几段专注的会话:
| 避免:在一段长会话里完成 | 推荐:拆成几段专注的会话 |
|---|---|
| QC → 聚类 → | 会话 1:QC 与预处理 |
| 差异表达 → 富集 → | 会话 2:聚类 |
| 可视化 | 会话 3:差异表达分析 |
| 会话 4:通路富集 |
每段会话都简短、专注,上下文也干净。
实用技巧
1. 每个分析步骤一段会话
分析的每个主要阶段都新开一段会话。
示例工作流:
- 会话 1: QC 与预处理 → 保存
adata_qc.h5ad - 会话 2: 加载
adata_qc.h5ad→ 聚类与注释 → 保存adata_annotated.h5ad
第二段会话从干净的上下文开始。
2. 在主要步骤后保存检查点
始终保存中间结果。
# After QC
adata.write_h5ad("/home/user/user_data/Project/checkpoints/adata_qc.h5ad")
# After clustering
adata.write_h5ad("/home/user/user_data/Project/checkpoints/adata_clustered.h5ad")
# After annotation
adata.write_h5ad("/home/user/user_data/Project/checkpoints/adata_annotated.h5ad")3. 用上下文摘要开启新会话
在新会话中继续工作时,先写一段简短的摘要。
继续一项 scRNA-seq 分析。
上一段会话把注释好的 AnnData 保存在:
/home/user/user_data/Project/adata_annotated.h5ad
已分配的细胞类型:
T 细胞、B 细胞、巨噬细胞、NK 细胞
聚类分辨率:
0.5,使用 Leiden 算法
本次会话的目标:
在每种细胞类型内,对 Treated 和 Control 做差异表达分析这样 AI 拿到的是准确的上下文,而不是靠它自己的记忆。
4. 每条提示词只做一件事
不要在一个请求里合并多个步骤。
不要这样: “做差异表达分析、通路富集,画一张热图,注释排名靠前的基因,然后把所有东西都保存下来。”
拆成几步: 差异表达分析 → 通路富集 → 生成可视化。
5. 以笔记本输出为准
始终相信笔记本的实际输出,而不是 AI 在对话里的总结。
6. 对话变长时重开会话
如果一个对话超过约 15–20 轮,就总结关键发现,然后开始一段新会话。
每个对话的消息上限
你的套餐决定了一个对话最多能发多少条消息(见套餐与账单)。对话达到上限后,Drylab 不会发送你的消息,而是显示此对话已达到上限。点击开始新对话:你输入的消息会带到新对话里,不会丢失。新对话开头写一段简短的上下文摘要,做法同技巧 3。