Claude Code 系统提示词研究
基于行为观察重建 Claude Code 类 Agent 的提示词架构、协调模式与安全机制，助力自建 Agentic 编码工具。
证据显示项目讨论了权限分类、用户确认、数据流透明性、敏感数据处理和外部影响，但多为描述性，缺乏具体实现细节。依赖安全、回滚机制未提及。来源归属有说明，但未验证。
项目内部一致性较好，文档结构清晰，但无依赖管理或失败处理说明。
明确了目标受众和使用场景，能力边界有描述，但触发精度和环境适配信息不足。
信息架构清晰，命名稳定，但缺少安装说明、许可证、版本记录和明确的维护责任。
输出可用性较高，边际价值明确，但成本效益分析不足。
声明基于观察和推断，但缺乏可追溯的具体来源，事实与推断区分较好。
- 项目为研究性质，内容为推测性重构，非官方文档，使用时需谨慎。
- 缺少许可证信息，可能影响合规使用。
- 未提供安装或集成指南，实际应用需自行探索。
这个 Agent 能做什么，适合哪些场景？
本仓库是独立研究项目，通过行为观察、输出分析和社区讨论，重建了现代 Agentic AI 编码助手（如 Claude Code）的底层提示词架构。内容包含约30个文档化的模式，涵盖核心身份提示词、多Agent协调、专用Agent（验证、探索、Agent创建等）、安全权限分类、工具描述、上下文窗口管理、动态行为（主动模式、浏览器自动化）以及技能模式（简化、技能化、卡住、记忆等）。项目强调所有内容均为合理重建，非逐字复制，且未获 Anthropic 官方认可。研究价值在于帮助AI工程师、提示词工程师和研究人员理解生产级Agent设计，并应用于自有项目。
该仓库提供一系列Markdown文档，每个文档对应一个提示词模式，例如 prompts/01_main_system_prompt.md 描述主系统提示词的动态组装流水线，prompts/12_yolo_auto_mode_classifier.md 描述多阶段安全自动批准分类器。阅读这些文档可了解如何构建模块化主提示词（带缓存边界）、协调多Worker、为子Agent定义基础指令、通过风险预评估管理工具权限、压缩会话上下文、加载分层记忆文件（企业配置、用户全局偏好、项目级指令、本地覆盖）等。项目不包含可执行代码，纯为研究资料。
- AI工程师设计自己的Agentic编码工具时，参考动态提示词组装和上下文管理机制。
- 提示词工程师研究生产级提示词架构（如模块化构建、缓存边界）以优化成本与性能。
- 安全研究人员分析自主AI工具如何通过分类器（如Auto Mode Classifier）管理工具调用的自动批准流程。
- 学生或教育者学习多Agent系统设计，通过文档化模式理解协调与专业分工。
- 开发者希望为已有Agent实现记忆分层或权限覆盖，参考memory selection和permission explaintion模式。
这个 Agent 有哪些优点和局限？
- 提供系统化的模式目录（约30个），覆盖从核心身份到技能模式的全面架构。
- 包含架构观察（如动态提示词组装流水线、缓存边界、记忆层级），有助于深入理解。
- 明确声明为重建而非复制，降低了直接版权风险。
- 文档描述具体，易于转化为工程实践。
- 基于行为观察的推测，可能与实际实现有显著差异，不能作为权威参考。
- 无官方认可，不保证准确性和完整性。
- 不提供可执行代码或集成接口，需要自行实现。
- 缺乏开源许可证，使用需谨慎。
如何安装或部署这个 Agent？
该仓库无安装步骤，因为它不包含可运行软件。用户可克隆仓库（如 git clone https://github.com/Leonxlnx/agentic-ai-prompt-research）或直接浏览GitHub页面阅读 prompts/ 目录下的Markdown文档。无需额外依赖或配置。
如何使用这个 Agent？
使用时，建议从 README.md 的目录开始，按编号顺序阅读 prompts/ 下的文档，如 01_main_system_prompt.md 理解主提示词组装，12_yolo_auto_mode_classifier.md 理解安全分类。由于是研究资料，用户需自行将模式应用到自己的项目中，无现成CLI或API。