---
title: 一个包含主流 AI 应用中文系统提示词的开源仓库
publishDate: 2025-05-15 19:14:00
excerpt: 一个关于LLMs、AI Agent应用的系统提示词（System Prompt）开源仓库。
featuredImage: /uploads/prompt.png
tags:
  - 分享
  - prompt
---
<u>一个关于LLMs、AI Agent应用的系统提示词（System Prompt）开源仓库。</u>

[System-Prompts-Chinese](https://github.com/wowyuarm/System-Prompts-Chinese)

它包含：

**LLMs** (大型语言模型)： 涵盖了当前主流的、具有广泛影响力的基础语言模型。如ChatGPT、Claude、DeepSeek、Gemini、Grok、Kimi等。

**Agents** (AI 智能体)： 包含了在特定领域表现突出的 AI Agent 产品。

如Bolt、Cline、Cursor （深度拆解文章：[解密Cursor：System Prompt 深度解析 | 最佳实践](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247484081&idx=1&sn=27295d92a0588512a3d4f1c46cdd9194&scene=21#wechat_redirect)）、Devin、Dia、Lovable、Lovart、Manus、Perplexity、Replit、Trae、v0、Windsurf等。

![图片](/uploads/屏幕截图-2025-05-15-185009.png)

- - -

本项目的系统提示词均是**翻译成中文的版本**且进行**易读性优化。**

本仓库收集和分析的所有系统提示词，其版权归属于各自的模型或应用开发者。

系统提示词是AI模型行为的重要影响因素，但不代表其全部。模型的具体行为还受到其训练数据、算法结构、以及部署环境等多种复杂因素的影响。

模型厂商、应用公司可能会随时更新其系统提示词；且部分系统提示词非来自官方，本仓库内容可能并非最新或完全准确。

本项目旨在：

* **探索与收集**：收集和整理当前主流或具有代表性的大型语言模型 (LLMs) 和 AI 智能体 (AI Agents) 的系统提示词。优先选取那些在社区中具有较高热度、展现出独特能力或具有典型设计思路的AI。
* **学习与借鉴**：为 AI 开发者、研究人员、Prompt工程师以及对 AI 技术感兴趣的爱好者，提供一个学习和参考的资料库，助力大家更深刻地理解 AI 的运作机制，并从中获得启发。
    

正如我观察到的，即使是一些能力强大的模型（如 Grok、DeepSeek），其系统提示词也可能出人意料地简洁，这本身就引人深思。而对于功能各异的 AI Agent（特别是 Coding 类 Agent），其系统提示词更是展现出丰富多样的设计特色。

本仓库中的系统提示词主要通过以下方式获取：

* **公开渠道信息**：部分模型或应用的开发者可能在官方文档、技术博客、社区论坛或开源项目中公开了其系统提示词或其核心思想。
    
* **技术探索与合理推测**：对于未公开的系统提示词，通过符合社区普遍接受的技术探索方法（例如，精心设计的交互式 Prompt Engineering）尝试获取或进行合理推测。这些探索旨在学习和理解，而非恶意破解或绕过安全机制。


一个包含主流 AI 应用中文系统提示词的开源仓库

---
title: 一个基于文章的深度检查、分析与调研Prompt
publishDate: 2025-05-10 11:20:00
excerpt: 开源一个调研类prompt，基于个人原创文章的深度检查、分析、调研prompt。
featuredImage: /uploads/chatgpt-image-2025年5月10日-11_20_10.png
tags:
  - AI
  - prompt
  - 与曦
---
开源一个**调研类prompt**，基于个人原创文章的深度检查、分析、调研prompt。

我个人使用下来基于**Gemini-2.5-pro**的**Deep Research**使用这个效果尤其出色。

```
针对以下提供的【原创文章全文】，进行一次深入的背景调研和相关信息挖掘。你的目标是生成一份结构化的调研报告（具体输出要求在最后强调），为文章作者提供更广阔的视角、更丰富的背景知识、以及可能的补充或反思点。

## 调研前的设置：

1. 本次调研深度级别为【初级/中级/深度】：
2. 本次调研广度级别为【聚焦核心/适度拓展/广泛关联/兼顾三者】：
3. （可选）尽量避免引用来自社交媒体或非学术论坛的观点，优先关注学术论文、官方报告、行业分析和权威媒体的深度报道。
4. 注意（面向使用者）：这是通用调研prompt，在实际使用时，可以根据文章的具体类型（比如是技术分享、是产品分析、还是哲学思辨），在粘贴文章之前，手动在 Prompt 的“调研的核心指令与方向”部分，做一些临时的、针对性的微调。比如，如果是技术分享文章，可以更强调对“技术实现细节的比较”或“相关开源项目的调研”；如果是哲学思辨文章，可以更强调对“不同哲学流派观点”的挖掘。

## 【原创文章全文】：


## 调研的核心指令与方向：

1.  **准确理解文章：** 首先，请准确识别并概述文章的核心主题、主要论点和独特见解。
2.  **寻找支撑与挑战：** 围绕文章的核心观点，调研并列出：
    *   支持这些观点的相关研究、数据、案例或理论依据。
    *   与文章观点不同、构成挑战、或能引发进一步思辨的反面论据或不同学派的看法。
3.  **追溯与前瞻：**
    *   如果文章涉及到关键的概念、技术或理论，请追溯其起源、发展历史和重要里程碑。
    *   同时，调研该领域当前的最新研究进展、前沿技术和未来发展趋势。
4.  **挖掘增量信息：** 努力寻找那些【文章本身未详细阐述，但对于深入理解该主题至关重要的背景知识、相关事实或重要案例】。
5.  **补充**：
	- 横向对比：如果文章内容适合进行横向对比（例如，评述某项技术或产品），请简要提及市场上或学术界类似的技术/产品/理论，并指出其主要异同。
	- 特别关注并调研文章中可能存在的【独特观点、创新性见解或新颖的联系】，并尝试寻找这些观点在现有研究或讨论中的位置（是被普遍认同、尚存争议、还是较为罕见）。


## 调研报告的输出要求：
请以 Markdown 格式生成一份结构清晰的调研报告，应至少包含以下部分：

*   **1. 文章核心内容理解：** (你对文章主旨和核心观点的总结)
*   **2. 观点支撑信息：** (列点说明，并尽可能注明来源)
*   **3. 不同视角与潜在挑战：** (列点说明，并尽可能注明来源)
*   **4. 相关背景与发展脉络：**
*   **5. 最新进展与未来趋势：**
*   **6. 重要增量信息补充：**
*   **7. (可选) 关键术语解释：**
*   **8. (可选) 推荐扩展阅读资源：** (书籍、论文、网站链接等)
*   **9. 承认本次调研的局限性或不确定性说明**（如果存在）

## 注意事项：

*   请保持客观中立的研究态度。
*   调研的深度和信息的可靠性优先于信息的数量。
*   你的报告内容应专注于提供【文章之外的增量价值】，避免简单重复文章已有的内容。
*   请尽可能清晰地标注你所引用信息的来源。

请开始你的深度调研与分析。
```

关于prompt中的“调研前的设置”是需要**自定义**设置的。

在【原创文章全文】处**补充**调研基于的原创文章。

其他方面可以进行微调，这是**通用调研prompt**，在实际使用时，可以根据文章的具体类型（比如是技术分享、是产品分析、还是哲学思辨），在粘贴文章之前，手动在 Prompt 的“调研的核心指令与方向”部分，做一些临时的、针对性的**微调**。


一个基于文章的深度检查、分析与调研Prompt

---
title: 解密Cursor：System Prompt 深度解析 | 最佳实践
slug: 20250420064800-cursor-system-prompt
publishDate: 2025-04-19T22:48:00.000Z
excerpt: Cursor Prompt提取的一些构建最佳实践：详细的角色定义、精细的行为准则、严格的输出限制、用户体验的考量。
featuredImage: /uploads/屏幕截图-2025-04-19-224934.png
tags:
  - AI
  - 分享
  - prompt
---
## 01 前言

本文会将深入分析顶级AI应用—**Cursor**（**Agent模式**）下的系统提示词（System prompt）。通过拆解其结构与规则，我们可以学习到构建高效、可控的AI Agent Prompt的**最佳实践**。

关于更详细的版本及其他AI应用的Prompt（如Replit、Devin、v0、Lovable等）可以在此开源仓库找到：

```
https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools
```

（强烈推荐关注此仓库以获取更多AI应用 System Prompt的实例。）

接下来，**02**部分是关于Cursor Agent prompt的**拆解**，**03**部分则是一些prompt构建的**启示**。

- - -

## 02 拆解

有趣的是，Prompt中声明Cursor是世界上最好的IDE。而且，默认模型是Claude-3.7-Sonnet。这份Prompt设定了模型在Cursor IDE中的**行为准则和能力范围**。

1. **核心角色与目标**：

* 作为AI编程助手仅在Cursor中工作，与用户结对编程。
* 任务：创建、修改、调试代码或回答问题。
* 上下文：会接收用户消息，并可能附带IDE状态信息（打开文件、光标位置、历史、错误等），AI需自行判断信息相关性。
* 首要目标是遵循用户的明确指令。

2. **工具调用规则** (<tool_calling>)：

* 关键规则：与用户交流时，绝不能提及工具的内部名称。用自然语言描述操作（“我会编辑文件”而非“我会用edit_file工具”）。（比较有趣，之前我还无意中问出来了。我认为这个规则与要和用户结对编程的优先级存在逻辑冲突，即我明确指出告诉我工具更有利于我们的合作，它就告诉我了。）
* 精确性（严格按照工具定义提供必须参数）、有效性（绝不调用列表中为明确提供的工具）、必要性（仅在任务确实需要时才调用工具）。
* 在调用每个工具前，必须先向用户解释为什么需要执行该操作。

3. **代码修改规则** (<making_code_changes>)：

实际上，在我实际使用中，模型对于以下规则的遵循不是很准确。

* 禁止直接输出：除非被要求，否则绝不直接在聊天中输出代码块。必须使用代码编辑工具来实施变更。  
* 频率限制：每轮对话最多使用一次代码编辑工具。
* 可运行性保证（**核心要求**）：

  ```
  1. 包括合并编辑：对同一文件的修改应聚合到单词编辑工具调用：；

  2. 项目初始化：从零创建项目时，需包含依赖管理文件（如requirements.txt含版本）和有用的README。；

  3. Web UI/UX：创建Web应用时，应注重美观、现代的UI和良好的UX；

  4. 上下文获取：编辑前必须先读取相关代码区域（除非是简单追加或新建文件），确保理解上下文；

  5. 错误处理：主动修复因修改引入的Linter错误（如果明确如何修复），但同一文件错误修复尝试不超过3次，之后需询问用户；

  6. 编辑重试：若合理的编辑建议未被正确应用（可能由较简单的模型执行失败），应使用reapply工具尝试再次应用。
  ```

4. **搜索与阅读规则** (<searching_and_reading>)：

* 工具优先级：优先使用语义搜索（codebase_search）。  
* 阅读效率：读取文件时，倾向于一次性读取较大范围，而非多次小范围读取。  
* 目标导向：一旦找到足够信息进行编辑或回答，就停止搜索/阅读。

5. **函数/工具列表** (<functions>):

这个是我感觉最有趣的。

```
codebase_search：
语义搜索代码，应复用用户查询措辞。

read_file：
读取文件指定行范围（最多250行）或整个文件（受限情况），需确保获取完整上下文，注意未显示行。

run_terminal_cmd： 
提议在用户终端运行命令，需用户批准，注意shell状态（新/旧）、对交互式命令加管道 (| cat)、后台运行长命令。

list_dir：
列出目录内容，用于探索文件结构。

grep_search：
精确文本/正则搜索（基于ripgrep），可指定包含排除模式、大小写。

edit_file：
提议文件修改，使用特定格式（// ... existing code ...代表未变动代码），需附带单句指令说明意图，target_file参数优先。

file_search：
模糊匹配文件名进行快速查找。

delete_file：
删除指定文件。

reapply：
当edit_file应用效果不佳时，要求更智能的模型重新应用上一次的编辑提议。

web_search：
进行网络搜索以获取最新信息。

diff_history：
查看工作区内文件的近期修改历史。
```

6. **代码引用格式**：

* 强制规定了引用代码块的唯一格式:起始行:结束行:文件路径换行后跟// ... existing code ...。

7. **用户信息** (<user_info>)：

* 提供用户的环境信息（操作系统、工作区路径、Shell类型）供AI参考。

8. **最终指令**：

* 强调必须使用可用工具、检查必需参数、必要时询问用户、精确使用用户提供的值、不臆测可选参数、分析用户描述性词语中的潜在参数。
    

- - -

## 03 Prompt构建启示

Cursor Agent的System Prompt设计已经很简洁了，我看到其他的一些都非常长。

一些我个人对于这份Prompt构建的看法：

* **指定角色**。这对于大模型能力发挥可能一直都会起到很重要的作用，这本身就源于其基于概率输出的原理。Cursor中的模型被指定为“结对程序员”，统一了行为与沟通风格，强化**人机协作范式**（很看好）。
* **明确行为**。Prompt包含大量具体、可操作的行为规则。例如，Cursor Prompt中关于“Linter错误最多重试3次”、“编辑前必须读取上下文”、“禁止提及工具名”、“Web应用需包含良好UI/UX”等，都是**精细化行为控制**的体现。
* **严格限制**。这包括对于AI的输出进行格式限制（如代码引用格式），还有内容限制，确保一致性、可解析性（对于工具调用很重要）。
* **设计体验**。很厉害的是，我认为开发者要求Cursor不提及工具，一方面考虑是保密，还有一方面是对于用户体验的影响。我不知道这些工具时，Cursor总给我一种**直接在操作代码**的感觉，而不是调用那些繁杂的工具。这使得**交互自然流畅**，隐藏实现细节、优化体验。
* **容错迭代**。Prompt需要预见错误并**提前注明错误的处理方式**。例如，reapply工具用于处理编辑应用失败，Linter错误处理规则包含了重试与向用户求助。

很有意思的**优秀范例**，推荐关注开源仓库。

总结：详细的角色定义、精细的行为准则、严格的输出限制、用户体验的考量。

- - -

来自AI总结：

> 本文深入拆解了顶级AI应用Cursor Agent的System Prompt。
>
> 该Prompt将AI定位为Cursor IDE中的“结对程序员”，强调通过特定工具（如代码编辑、语义搜索、终端命令）执行任务，而非直接输出代码。
>
> Prompt包含精细规则：如对用户隐藏工具名以优化体验、调用工具前解释原因、保证代码可运行性、系统化处理Linter错误（含重试限制）、优先使用语义搜索等。
>
> 关键启示包括：明确角色、制定细致行为规则、严格限制输出格式与内容、精心设计用户体验和内置容错机制。
>
> 这为构建高效、可控的AI Agent提供了宝贵范例，推荐关注文中提及的开源仓库获取更多实例。


解密Cursor：System Prompt 深度解析 | 最佳实践

---
title: 与AI高效沟通：掌握Prompt的表达艺术
slug: 20241227061000-ai-prompt
publishDate: 2024-12-26T22:10:00.000Z
excerpt: 最重要的是，把Prompt设计当作一种沟通的艺术，与你的AI沟通交流，表达你自己的需求才能获得你想要的答案。
featuredImage: /uploads/屏幕截图-2024-12-07-215104.png
tags:
  - AI
  - prompt
  - 分享
---
## 01

这篇文章也是来自于我在与LLM（下面都用AI代指LLM或Agent）对话中产生的一些思考，不同于上一篇[Critical thinking is all you need](/posts/20241226051800-aigc-critical-thinking-is-all-you-need)，在这篇文章中，我想分享一些对于在日常中怎样更好地运用prompt的方法。

我多次有这样的困扰：**随意提问导致AI回答不尽如人意，但又不想花费大量时间设计复杂的Prompt**。而自从我深度使用AI搜索并用在日常生活中，我的困扰更多了，也越想解决这个问题。

我就在想如何能够平衡效率与质量，设计一个简单易用的Prompt以满足我们日常的问题需求。

- - -

## 02

我们先明确问题本质：为什么随意提问效果差？根本原因在于信息传递的模糊性。

我们知道LLM本质上是基于模式匹配和概率预测的，Prompt的重要性可以说是大众所知。

一些重要复杂的prompt结构（如**结构化框架或LangGPT框架等、多层思维链和思维树、示例与模板、角色与场景模拟**等等等）我在进行深度创作时是必须去仔细设计的，而得到的结果总是不错的。

但本文更去解决我在日常生活中的困扰。

- - -

## 03

关于解决办法，我最终想到了是“表达”的问题。

我发现随意提问包含的模糊性更大一部分原因在于我没有明确我的需求。其实这个问题也暴露了一个很大的问题，你有没有把AI当作一个人去沟通交流去表达你的需求，而不是仅仅当作一个你认为是万能的工具。

实际上，在日常需求的简单询问与深度创作中的写复杂完整的prompt两个过程中，我对待LLM的方式也是不同的。这就造成了一些困扰。

- - -

## 04

在日常生活中，尤其是那些我们习惯性地与AI进行的快速查询或获取信息的情境下，我们常常没有太多耐心去设计复杂的Prompt。

这种情况类似于与人沟通时，我们往往期望对方能迅速抓住我们的意图，无需过多解释，但却忽略了对方需要清晰的表达来提供有效的帮助。

例如，我提问“如何让我的表达在回报工作时更清晰”

![图片](/uploads/屏幕截图-2025-04-25-102039.png)

*这里使用的DeepSeekV3，后面会测评它最新号称在代码编写能力打败了Claude 3.5 sonnet的V3模型*

可以看到目前的回答非常笼统，我们换一种描述：“请列出三种可以提升工作汇报清晰度的具体方法，而不是泛泛地列出所有提升表达的建议。”

```
以下是三种专门提升**工作汇报清晰度**的具体方法：



### 1. **使用“金字塔原理”结构化汇报**
   - **方法**：先总结核心结论，再逐步展开支持性论据。
   - **示例**：
     - **结论**：本季度销售额增长了15%。
     - **论据**：
       1. 新产品上线带动了10%的增长。
       2. 市场推广活动增加了5%的客户流量。
   - **作用**：让听众快速抓住重点，避免信息过载。

---

### 2. **用数据可视化工具辅助说明**
   - **方法**：将复杂数据用图表（如柱状图、折线图、饼图）呈现。
   - **示例**：
     - 用折线图展示季度销售额趋势。
     - 用饼图展示各产品线的销售占比。
   - **作用**：直观展示数据，减少文字描述，提升理解效率。

---

### 3. **采用“问题-解决方案-结果”框架**
   - **方法**：明确问题、提出解决方案、展示结果。
   - **示例**：
     - **问题**：客户投诉处理时间过长。
     - **解决方案**：优化流程，引入自动化工具。
     - **结果**：处理时间缩短了50%，客户满意度提升20%。
   - **作用**：逻辑清晰，让汇报更有针对性和说服力。



这三种方法能显著提升工作汇报的清晰度和效率。
```

- - -

## 05

那么，我该如何在日常生活中更有效地表达我的需求，以获得更好的AI回应呢？我总结了以下几个实用的方法（*这些方法是一步一步的。既可以分开单独使用，也可以结合使用。*）：

1. 明确目标

在提出问题之前，先明确你想要达到的目标是什么。这有助于你更精准地表达需求。例如，如果你想提升工作汇报的清晰度，你可以**明确指出你希望获得具体的、可操作的方法（*注意，一定要告诉它，因为他不会理解你的需求。而你提到了这一点，他就会在输出中放大输出具体建议的概率，这很重要*）**，而不是泛泛而谈的建议。

2. 提供上下文信息

尽可能提供更多的上下文信息，让AI更好地理解**你的需求**。例如，如果你在写一篇博客文章，你可以说明文章的主题、受众群体以及**你希望达到的效果（*这也是非常重要的地方，道理同上*）**。这样，AI可以更好地为你提供有针对性的建议。

3. 使用具体的语言

避免使用模糊的词汇，尽量使用具体的语言来表达你的需求。例如，不要问“如何更好地表达？”，而是问“在写博客文章时，如何让我的观点更加清晰，并能吸引读者继续阅读？”。这样，AI可以更好地理解你的需求，并给出更具体的建议。

4. 设定明确的限制条件

如果你有特定的限制条件，一定要在Prompt中明确指出。例如，如果你希望获得三种具体的方法来提升工作汇报的清晰度，你可以在Prompt中明确指出这一点。这样，AI可以更好地满足你的需求。

5. 逐步细化Prompt

如果你发现AI的回答仍然不够理想，你可以逐步细化你的Prompt。例如，你可以先提出一个总的问题，然后根据AI的回答进一步细化你的需求。（***实际上，我在使用中这一种方法对我最实用。你和AI一步一步交流沟通去解决你的问题。核心还是在于表达你自己。***）这样，你可以逐步引导AI给出更符合你期望的回答。

6. 利用AI的反馈进行调整

如果你发现AI的回答并不完全符合你的期望，不要气馁，可以利用AI的反馈进行调整。例如，你可以问AI为什么它会给出这样的回答，或者请它提供更多的选项。这样，你可以更好地理解AI的思维方式，并调整你的Prompt以获得更好的回答。

## 06

这是我在日常使用中总结的一些"**快速使用Prompt"**，但这并不意味着我放弃了更高级的prompt框架。

在需要深度创作和复杂思考的时候，我仍然会花费时间去设计一个结构化、细致的Prompt（后续我会分享更深度实用的高级框架结构，感兴趣的话请继续关注）。

最重要的是，把Prompt设计当作一种沟通的艺术，与你的AI沟通交流，表达你自己的需求才能获得你想要的答案。

来自AI总结：

> 这篇文章强调了将prompt设计视为一种**沟通的艺术**，通过清晰地表达需求，与AI进行有效的沟通，从而获得更符合期望的答案。虽然文章也提到高级prompt框架的重要性，但重点在于日常使用中如何快速有效地改进prompt，提高效率和回答质量。核心在于“表达你自己”。 
>
> 对用户有用的信息： 
>
> \- 不要期望AI能读懂你的心思，清晰地表达你的需求是获得有效回答的关键。
>
> \- 可以尝试文章中提到的六个方法，尤其是逐步细化prompt的方法，与AI进行互动式沟通。 
>
> \- 即使是简单的日常问题，也应该认真对待prompt的设计，避免使用模糊的提问方式。
>
> \- ***将AI视为一个需要沟通的对象，而不是一个简单的工具***。
