30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度你肯定遇到过这种情况对着 Claude 或者 ChatGPT 输入一个需求得到的回答要么过于笼统要么完全跑偏要么就是格式混乱需要你反复追问、修正、补充细节。折腾半天最后发现真正花在思考和解决问题上的时间可能还不如跟 AI 来回拉扯的时间多。问题出在哪很多时候不是模型能力不行而是我们给的“指令”——也就是 Prompt——不够清晰、不够结构化、不够贴近模型的理解方式。这就像你让一个刚入职的新人去完成一项复杂任务如果只给一句“把这个项目搞定”他大概率会懵。但如果你能给他一份清晰的任务清单、一份过往的优秀案例、一套标准的操作流程结果就会大不一样。最近一个在 GitHub 上收获了超过 4.4 万颗星的“提示词金矿”项目为我们揭示了顶级团队是如何系统化地编写 Prompt 的。它不是一个简单的“提示词大全”而是一套关于如何为 Claude Code 这类 AI 编码助手定制“系统提示词”的完整工程化方法论。这套方法的核心不是教你几个“魔法咒语”而是让你理解 AI 助手的“工作说明书”应该如何撰写才能让它从一开始就走在正确的轨道上。这篇文章我们就来深入挖掘这个“金矿”。我不会只给你一堆现成的提示词模板而是带你理解背后的设计逻辑为什么一个优秀的系统提示词需要分层如何根据你的使用场景是 CLI 工具、聊天助手还是自动化 Agent来定制不同的“身份”和“权限”如何将一次性的成功对话沉淀为可复用的团队资产理解了这些你才能真正掌握与 AI 高效协作的主动权。1. 从“魔法咒语”到“工作说明书”重新理解 Prompt 的价值很多人对 Prompt 的理解还停留在“如何问问题”的层面。比如“请用 Python 写一个快速排序算法”或者“帮我润色这段英文邮件”。这当然没错但对于 Claude Code 这类深度集成到开发环境中的 AI 助手来说这种单次、零散的交互效率太低了。真正的效率提升来自于让 AI 理解你的长期工作上下文、团队规范和个人偏好。想象一下每次开始一个新对话你都需要重新告诉 AI“我是后端开发主要用 Python 和 Go代码风格遵循 Google 规范函数必须有类型注解和文档字符串优先使用异步编程……”这显然是不可持续的。这就是“系统提示词”存在的意义。它不再是单次对话的“问题”而是 AI 在整个对话生命周期内的“工作说明书”或“角色设定”。一个设计良好的系统提示词应该能回答以下几个问题我是谁(身份与角色)我是一个代码审查助手一个全栈开发伙伴还是一个专注于数据处理的脚本生成器我拥有什么能力和权限(工具与边界)我能读写哪些文件我能执行终端命令吗我是否需要人类对每一步操作进行确认我应该遵循什么规则(行为准则)我的代码输出格式是什么我的回答应该详细还是简洁有哪些安全红线绝对不能触碰我处在什么环境中(上下文感知)当前的工作目录是什么这是一个 Git 仓库吗项目的技术栈和架构约定是什么GitHub 上这个高星项目所探讨的 Claude Code 系统提示词定制正是围绕这几个核心问题展开的。它提供的不是一份固定的“终极提示词”而是一套可组合、可分层、可持久化的配置体系。这套体系让我们能够将 Prompt 从临时的“对话技巧”升级为可管理、可迭代的“工程资产”。2. 拆解 Claude Code 的系统提示词工程四种核心定制方法Claude Code 的 Agent SDK 提供了四种主要的方式来塑造 AI 的行为它们各有侧重适用于不同的场景。理解它们的区别和联系是进行有效定制的第一步。2.1 CLAUDE.md项目级的“长期记忆”与团队公约这是最基础也最强大的一种方式。CLAUDE.md是一个放在项目根目录或.claude/目录下的 Markdown 文件。它的内容不会被直接注入到系统提示词中而是作为“项目上下文”在对话开始时提供给 AI。它的核心价值在于“持久化”和“共享化”。持久化只要这个文件存在AI 在项目的任何一次会话中都能“记得”里面的内容。你不需要在每次对话中重复说明项目结构、常用命令、编码规范。共享化这个文件可以提交到 Git 仓库。这意味着只要团队任何成员拉取代码他们的 AI 助手就会自动继承同一套项目约定保证了协作的一致性。你应该在CLAUDE.md里放什么项目概述这个项目是做什么的核心业务逻辑是什么技术栈与架构主要使用什么语言、框架、数据库有什么特殊的架构模式如微服务、事件驱动开发规范代码风格PEP 8, Google Style Guide、提交信息规范、分支管理策略。常用命令如何启动服务、运行测试、构建镜像、部署上线。目录结构说明src/,tests/,config/这些目录分别是干什么的。外部依赖与配置API 密钥、环境变量、第三方服务的配置说明。示例CLAUDE.md片段# 项目用户管理系统后端 ## 技术栈 - **语言**: Python 3.11 - **Web框架**: FastAPI - **数据库**: PostgreSQL (主库), Redis (缓存) - **ORM**: SQLAlchemy 2.0 Alembic (迁移) - **测试**: pytest, 工厂模式生成测试数据 ## 开发规范 1. **代码风格**: 遵循 Black 格式化使用 isort 排序导入。所有函数和类必须包含 Google 风格的 docstring。 2. **API设计**: RESTful 风格响应统一使用 BaseResponse 包装。 3. **错误处理**: 使用自定义异常类并在全局异常处理器中处理。 4. **提交信息**: 遵循 Conventional Commits 规范。 ## 常用命令 - 安装依赖: poetry install - 启动开发服务器: uvicorn app.main:app --reload - 运行测试: pytest -v - 生成迁移脚本: alembic revision --autogenerate -m description如何使用在 SDK 中通过设置settingSources: [project]选项即可自动加载项目中的CLAUDE.md。它与你选择的系统提示词预设是正交的可以叠加使用。2.2 输出样式可复用的“角色模板”如果说CLAUDE.md定义了项目的“环境”那么“输出样式”则定义了 AI 的“职业角色”。它是一个保存在~/.claude/output-styles/用户级或项目.claude/output-styles/项目级目录下的 Markdown 文件。它的核心价值在于“角色化”和“可切换”。你可以创建多个输出样式比如“代码审查员”、“SQL 优化专家”、“文档撰写助手”然后在不同的任务间快速切换而无需重写复杂的提示词。如何创建一个输出样式文件需要包含 Front Matter 元数据和具体的提示词内容。一个关键选项是keep-coding-instructions: true这决定了是替换还是保留Claude Code 原生的编码指导。示例创建一个“安全代码审查员”角色--- name: Security Code Reviewer description: 专注于代码安全性和漏洞审查的助手 keep-coding-instructions: true # 保留 Claude Code 原有的代码质量、安全规则等指令 --- 你是一名资深的安全工程师和代码审查专家。 你的核心任务是审查提交的代码识别潜在的安全漏洞、不良实践和合规性问题。 **审查流程** 1. **输入验证与净化**检查所有用户输入是否经过适当的验证、转义或参数化。 2. **认证与授权**验证身份验证和权限检查逻辑是否健全是否存在越权风险。 3. **敏感数据处理**检查密钥、令牌、个人信息等是否被硬编码或不当记录。 4. **依赖安全**提醒注意依赖库的已知漏洞可结合工具建议。 5. **配置安全**检查配置文件是否包含敏感信息或存在不安全的默认配置。 **输出格式** - 以分级列表形式列出发现的问题高危、中危、低危。 - 每个问题需包含**问题描述**、**代码位置**、**潜在风险**、**修复建议**。 - 最后给出一个整体的安全评分1-10分和总结。如何激活CLI 工具运行/config命令进行选择。SDK 调用在配置中指定outputStyle字段。配置文件在.claude/settings.local.json中设置。输出样式非常适合需要固定角色、且希望该角色能在不同项目和会话中复用的场景。2.3 预设追加在巨人肩膀上进行微调这是最轻量、最常用的定制方式。当你觉得 Claude Code 默认的“编码助手”角色即claude_code预设大体上符合你的需求只是想增加一些额外的、会话特定的指令时就可以使用“追加”模式。它的核心价值是“非侵入式增强”。你保留了 Claude Code 预设中所有内置的工具使用说明、安全规则、代码风格指南只是在末尾加上你自己的要求。如何使用在 SDK 中将systemPrompt配置为一个对象指定预设并添加append字段。import { query } from anthropic-ai/claude-agent-sdk; const messages []; for await (const message of query({ prompt: 为这个用户模型添加 CRUD 接口, options: { systemPrompt: { type: preset, preset: claude_code, append: 本次任务请特别注意 1. 使用 Pydantic V2 进行请求/响应模型验证。 2. 所有数据库操作必须放在异步上下文中。 3. 为每个接口编写完整的单元测试使用 pytest-asyncio。 4. 在返回的 JSON 中时间字段统一格式化为 ISO 8601 字符串。 } } })) { messages.push(message); }在这个例子里AI 依然是一个全能的编码助手但同时被额外要求关注异步、Pydantic 和测试。2.4 完全自定义提示词从头定义 AI 的身份当你构建的 AI 应用与 Claude Code 的“人类在环的编码助手”这一基本设定相差甚远时就需要完全自定义系统提示词。什么情况下需要完全自定义不同的交互界面你构建的是一个聊天机器人 UI或者一个输出结构化数据供其他系统消费的 API而不是在终端中给人看。不同的身份你的 AI 是一个“客服机器人”、“数据分析助手”或“游戏 NPC”而不是“Claude Code”。不同的权限模型你的 AI 代理需要自主运行无需人类逐步批准或者只能在受限的资源集上操作。非编码任务你的 AI 主要处理文本分析、内容创作、研究总结等任务Claude Code 预设中大量的编码指导反而会成为干扰。完全自定义的挑战与责任选择自定义意味着你需要从头构建所有指令包括工具使用指导如果你的 AI 需要调用工具。安全与伦理规则。输出格式和风格。身份和职责描述。示例一个数据分析助手的自定义提示词你是一个专业的数据分析助手名为“DataInsight”。 **你的能力** - 你可以读取用户提供的 CSV、JSON 数据文件路径并进行描述性统计分析。 - 你可以根据用户指令生成数据可视化建议描述图表类型和维度。 - 你可以指出数据中可能存在的异常值或缺失模式。 - 你**不能**执行任何文件写入、系统命令或网络请求。 **你的行为准则** 1. 回答首先给出核心结论或洞察。 2. 使用清晰的项目符号列表呈现支持性数据如平均值、中位数、标准差。 3. 所有数值结果保留两位小数。 4. 如果发现数据质量问题用“⚠️”标记并说明。 5. 保持回答客观、专业避免主观臆断。 **输出格式** 【核心结论】 - 要点1 - 要点2 【详细分析】 1. 维度A分析... 2. 维度B分析... 【数据质量备注】可选 - ⚠️ 注意某字段缺失率较高。3. 四种方法对比与选型指南如何为你的场景选择最佳策略了解了四种方法后如何选择下面的表格从多个维度进行了对比帮助你决策特性维度CLAUDE.md输出样式 (Output Style)预设追加 (Append)完全自定义核心作用提供项目上下文与长期记忆定义可复用的AI角色在预设基础上进行会话级微调完全重塑AI的身份与行为持久性项目级持久文件随项目保存用户/项目级持久保存为文件会话级临时写在代码里会话级临时写在代码里可重用性项目内所有会话自动继承跨项目、跨会话复用通过文件代码级复用复制粘贴代码级复用复制粘贴管理方式文件系统Git管理CLI 文件系统应用程序代码应用程序代码保留默认能力是与系统提示词正交可选(keep-coding-instructions)是追加在预设后否需手动重新定义内置安全规则是由系统提示词决定可选保留是必须手动添加环境上下文自动注入依赖预设或手动添加自动继承预设的上下文必须手动提供最佳适用场景团队规范、项目约定、常用命令固定的专家角色如审查员、SQL专家在编码助手基础上增加临时要求构建与Claude Code定位完全不同的AI应用决策流程建议首先为你的项目创建CLAUDE.md。这是成本最低、收益最高的投入能极大提升AI对项目背景的理解。然后问自己我的AI需要扮演一个固定的专业角色吗如果需要并且这个角色会在多个地方使用就创建一个输出样式。例如为团队创建一个统一的“代码审查员”样式。接着在单次会话或特定功能中如果默认的claude_code预设基本够用只是需要一些额外指示就用预设追加。最后只有当你构建的应用如聊天机器人、自动化Agent与“人类指导的编码助手”模式有本质不同时才考虑完全自定义。4. 高级技巧与工程化实践超越单次对话掌握了基本方法后我们来看看如何将这些技巧工程化用于构建更稳定、高效的生产级应用。4.1 组合使用构建分层提示词策略这些方法不是互斥的完全可以组合使用形成强大的合力。典型组合模式CLAUDE.md 输出样式 会话追加基础层 (CLAUDE.md)提供项目通用的技术栈、规范和上下文。所有AI会话都基于此。角色层 (输出样式)根据任务类型加载不同的专家角色如“后端开发”、“前端开发”、“DevOps”。任务层 (会话追加)在具体会话中针对当前子任务给出更精细的指令。例如在一个微服务项目中CLAUDE.md定义了整个微服务架构、通信协议gRPC、日志规范。当你处理“用户服务”时激活“Python/Go 后端开发”输出样式它包含了后端的特定模式。在本次代码审查会话中你通过追加指令强调“本次重点审查与‘订单服务’的gRPC接口兼容性和错误处理。”4.2 优化提示词缓存提升性能与成本Claude Code 的预设系统提示词中包含了一些动态内容如当前工作目录、Git仓库状态、操作系统信息等。这意味着即使两个会话使用相同的预设和追加文本只要工作目录不同它们就无法共享提示词缓存每次都需要重新计算影响速度和增加成本。解决方案excludeDynamicSections选项在 SDK 中你可以设置excludeDynamicSections: trueTypeScript或exclude_dynamic_sections: TruePython。这个选项会将动态的上下文信息从系统提示词移动到第一条用户消息中。这样系统提示词就变成了一个静态的模板可以在不同会话、不同机器之间共享缓存。何时使用当你部署的 AI Agent 会在多个相似环境如多个CI/CD runner中执行相同逻辑的任务时启用此选项可以显著提升效率。需要注意的是这样做会略微降低 AI 对“当前目录”等动态环境的感知权重但对于批量、自动化的任务来说缓存共享的收益通常更大。4.3 从“能用”到“好用”编写有效提示词的实用原则无论采用哪种方法编写提示词本身都是一门艺术。以下是一些经过验证的原则清晰明确避免歧义使用肯定句明确指令。“生成一个函数”不如“生成一个名为calculate_statistics的 Python 函数接收数字列表返回包含均值、中位数、众数的字典”。提供上下文和示例在CLAUDE.md或自定义提示词中给出输入输出的例子。AI 非常擅长通过例子学习。结构化输出明确指定你希望的输出格式JSON、Markdown 表格、带编号的列表。这能极大简化后续的程序化处理。分步骤思考对于复杂任务可以鼓励 AI “逐步思考”或“先列出大纲”这能提高结果的逻辑性和完整性。设定边界和约束明确说明什么是不能做的比如“不要修改src/core/目录下的文件”“不要使用已弃用的 API”。迭代优化将你发现的有效提示词片段保存下来逐步丰富你的CLAUDE.md或输出样式库。这是一个持续积累的过程。5. 总结将 Prompt 工程化为团队的核心竞争力回顾这 4.4 万星项目带给我们的启示其价值远不止于几个好用的提示词模板。它展示的是一种系统化的、工程化的与 AI 协作的思维方式。从临时到持久不要再把每次与 AI 的对话都当成一次性的“咒语施法”。通过CLAUDE.md和输出样式将那些经过验证的、高效的协作模式沉淀下来变成团队共享的资产。从通用到专用拒绝“万能助手”的幻想。通过分层定制的提示词为不同的场景项目、角色、任务打造最专用的 AI 伙伴让它的能力聚焦在刀刃上。从技巧到流程Prompt 工程不应是少数人的“黑魔法”。通过将最佳实践文档化、模板化可以降低整个团队的使用门槛让 AI 助手真正融入开发流程成为提升团队生产力的标准组件。最终与 AI 高效协作的关键不在于寻找那个“一劳永逸”的完美提示词而在于建立一套可持续演进的方法论。这套方法论让你能清晰地定义 AI 的职责精准地注入上下文并灵活地调整其行为以适应千变万化的需求。当你开始像管理代码一样管理你的提示词时AI 才能真正从一个有趣的玩具转变为你和团队手中不可或缺的利器。 30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度