拆解 AI Agent 的大脑：agentic-ai-prompt-research 深度分析

想象一下，你正在使用 Claude Code 编写代码——它能自动拆分复杂任务、并行调用多个子 agent、审查自己的输出、甚至管理长期记忆。这一切是如何做到的？答案是：精心设计的 system prompt 架构。

今天我们要深入分析的项目，是目前互联网上对 Claude Code 内部 prompt 架构还原得最完整的研究仓库之一——agentic-ai-prompt-research（以下简称 "AIPR"），由独立研究者 Leonxlnx 维护，在 GitHub 已斩获 2400+ stars。

一、项目起源：从黑箱到白盒

LLM 应用开发者普遍面临一个困境：模型能力越来越强，但如何让 AI 真正像一个"团队"一样协作、主动规划任务、自我修正错误——这些高层架构设计几乎没有公开资料。

Claude Code 作为 Anthropic 官方发布的命令行编程工具，在实际使用中展现了惊人的自主性：它能理解复杂的多文件重构需求、能在后台并行运行多个 worker 处理子任务、能自动识别高危操作（如删除整个项目目录）并主动请求用户确认。

Leonxlnx 通过对该工具的长期行为观察、社区讨论和输出分析，逐步逆向还原了这套 prompt 架构的各个组件，最终整理成这个开源研究仓库。作者在 README 中明确表示："这些是基于可观察行为的最佳重建，不是原始泄露"，保持了学术严谨性。

二、30 个 Prompt 文件：拆解 Claude Code 的"思维器官"

仓库的 prompts/ 目录包含 30 个 markdown 文件，按功能分为四大类别：

2.1 核心身份层（Core Identity）

这是 Claude Code 的"基本人格设定"。Main System Prompt 定义了 AI 的整体角色定位：它是一个交互式软件工程助手，使用动态组装的模块化提示词系统，根据功能开关、环境变量等条件在运行时动态拼接。

Simple Mode 则提供了轻量化版本，剥离了多 agent 协作等高级特性，适合快速任务。Default Agent Prompt 是所有子 agent 的共同基类，确保它们共享一致的行为准则和安全边界。

Cyber Risk Instruction 则划定了安全红线：明确禁止的操作类型（如主动渗透测试）、风险等级分类标准，以及不同风险级别对应的用户确认策略。

2.2 多 Agent 编排层（Orchestration）

这是 AIPR 最精华的部分。Claude Code 的核心创新之一是 Coordinator 模式：一个主协调者（Coordinator）负责理解用户意图、拆分任务、管理多个专业化的子 agent 并行工作。

Coordinator System Prompt 定义了分阶段工作流：研究阶段（探索代码库、理解需求）、实现阶段（生成代码）、验证阶段（测试并修正）。协调者会根据任务复杂度动态决定是否启用多 worker 模式——简单任务直接执行，复杂任务才动用团队协作。

Teammate Prompt Addendum 则定义了子 agent 之间的通信协议：如何报告进度、如何请求其他 agent 的帮助、如何汇报结果。这解决了多 agent 系统中最棘手的问题——agent 之间如何"对话"而不是"各干各的"。

2.3 专业 Agent 体系（Specialized Agents）

Claude Code 不是一个"通用 AI"，而是多个专业 Agent 的组合：

• Verification Agent：逆向思维专家，职责是"打破"实现而非"验证"实现。它会主动寻找边界 case、测试异常输入、尝试绕过安全限制。输出格式固定为 VERDICT: PASS/FAIL/PARTIAL。

• Explore Agent：只读代码探索者，被严格禁止修改任何文件。它的任务是理解代码库结构、定位关键代码路径、生成架构分析报告。

• Agent Creation Architect：根据自然语言需求生成新 Agent 配置的"元 Agent"。

• Status Line Setup Agent：针对不同 Shell（bash/zsh/fish）配置终端状态行显示。

Permission Explainer 在每次执行高危操作前进行风险评估并向用户解释。YOLO Auto Mode Classifier 则根据操作类型自动决定是否需要人工确认。

2.4 记忆与上下文管理（Memory & Context）

Session Search 和 Memory Selection 共同实现了跨会话的上下文复用：AI 能记住用户之前的偏好、项目的技术债务、历史任务进度，并在当前任务中主动检索相关记忆。

Compact Service 是上下文窗口管理的核心：当 context window 接近上限时，AI 会智能压缩历史对话，保留最重要的信息。

Memory Instruction 和 Remember Skill 管理长期记忆的写入逻辑：哪些信息值得记住、以什么格式存储、如何在后续会话中召回。

三、工具调用系统：给 AI 装上"手和脚"

Tool Prompts 定义了每个内置工具的 schema 和使用策略。以 Bash 工具为例：prompt 明确说明了工作目录的持久性、shell 状态的非持久性、错误处理策略，以及何时应该拆分为多条命令而非一条长命令。

Tool Use Summary 则是 AI 调用工具后的结果总结模板——将原始命令输出转换为结构化的摘要信息，供后续推理使用。

四、技术特点与创新点

1. 动态 Prompt 组装：不同于传统静态 system prompt，AIPR 揭示了 Claude Code 的 prompt 是运行时动态拼接的。模块化的好处是：可以在不同场景下启用/禁用特定能力，而无需修改核心代码。

2. 对抗性验证机制：Verification Agent 的设计非常巧妙——让一个 Agent 专门负责"找茬"，形成了自我审查闭环。这种"红队 Agent"模式显著提升了系统的安全性。

3. 分层权限体系：Cyber Risk Instruction + YOLO Auto Mode Classifier + Permission Explainer 组成三级权限体系，从规则定义到自动分类再到人工确认，覆盖了从低风险到高风险的所有场景。

4. 主动式记忆：不是等用户问"你还记得上次吗"，而是 AI 主动在后台管理记忆、根据当前任务主动检索相关历史，实现了一种"隐形上下文"机制。

五、局限性与使用建议

AIPR 是逆向工程研究的产物，不是官方文档。每个 prompt 文件都标注了"Observed in"来源，但作者也承认："实际实现可能与此处记录有显著差异"。

这些 prompt 是基于特定版本的 Claude Code 观察得到的，Claude Code 的版本迭代可能导致架构变化。此外，仓库本身是纯 Markdown 文档，不包含可执行的代码——它更适合作为学习参考资料，而非可以直接部署使用的工具。

如果你在构建自己的 Agent 系统，可以参考 AIPR 的架构设计思路；如果你只是 Claude Code 的普通用户，这些文档能帮助你理解 AI 的决策逻辑，更好地设计有效的自然语言指令。

六、行业意义与未来展望

AIPR 的出现代表了 AI 工程领域的一个趋势：从"调参"到"架构设计"的认知升级。当模型的基座能力趋于同质化，系统层面的设计（prompt 架构、agent 协作、记忆管理）正在成为新的核心竞争力。

这个项目也催生了一系列衍生研究：有人在研究如何将这些 prompt 架构迁移到其他模型（如 GPT-4、Gemini），有人在探索如何用机器学习自动优化 prompt 组合，还有人开始研究更复杂的 multi-agent 协作模式。

随着 AI 编程工具的普及，理解 Agent 系统的内部工作机制，将成为每个 AI 工程师的必备知识。AIPR 正是这个知识体系中最具实践价值的研究资料之一。

标签: agentic-ai · prompt-engineering · claude · AI-research · system-prompts