Drylab

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。

本页内容