这是一个免费公开的个人实战整理版本。先用一段提示词让 AI 审视你的现有配置,再按需采用下面的模板;协作平台和任务自动化并不是入门的前提。
先给你的 AI 这一段提示词
不必照搬我的工具链。先让 AI 盘点你的现状,生成真正适合你的版本。
怎么用: 将本指南或配套 PDF 作为参考,复制下面这段指令发给常用的 AI。第一次只做只读盘点和配置建议,不要让它直接改动原有规则。
你是我的 AI 指令体系整理顾问。请把附件当作可选的
实践参考,而不是需要全部安装的标准答案。
目标:为我建立一套简洁、稳定、易维护的 AI 指令设置,
明确“给人看的摘要”和“给 AI 执行的任务规则”。
第一阶段:只读盘点,不修改任何设置或文件。
1. 了解我主要做什么,使用哪些 AI、项目和开发工具。
2. 阅读我能提供的全局自定义指令、项目指令、
AGENTS.md、知识库及任务记录(若有)。
3. 找出重复、冲突、过期、缺失或难以维护的规则。
4. 说明哪些实践适合我,哪些应当省略。
第二阶段:输出适配草案。
A. 一份精简的英文全局指令及中文等义版。
B. 每个实际项目的 Project Instructions 模板。
C. 如涉及代码,给出最小 AGENTS.md。
D. 如需要跨会话协作,给出最小任务卡和执行模板。
E. 给出安装位置、变更差异、验证方法和回滚办法。
约束:
- 复用我的现有工具,不强制安装 Notion、云盘或新平台。
- 将“已确认事实”“建议”“未知”明确区分。
- 不擅自覆盖已生效规则、修改生产数据或发布内容。
- 保留隐私、安全、产品体验和项目现有约束。
- 低风险细节可提出默认方案,重大冲突交给我确认。
- 以可验证的实际效果,而不是指令长度作为评价标准。
请先给我一份不超过一屏的盘点结论和推荐方案。
得到结果后再做什么? 先挑一个活跃项目试运行;确认新会话也能正确加载规则,再逐步扩展。无需第一天搭建完整的 Agent 系统。
为什么要把提示词分层?
我遇到的问题不是 Prompt 不够长,而是“长期偏好、项目事实和本轮任务”混在一起。
一次让 AI 帮忙写代码,普通 Prompt 就能解决;但当项目持续几周、换过几个会话或换用不同模型后,经常发生三件事:背景要反复解释、规则容易冲突、做完却不容易验收。
我现在把信息分成四层:
| 层级 | 放什么 | 不要放什么 |
|---|---|---|
| 全局自定义指令 | 判断方式、表达偏好、执行原则 | 每日待办、固定模型价格、具体目录 |
| 项目指令 | 产品目标、已定方案、关键约束 | 长篇聊天历史、本轮操作细节 |
| 项目仓库规则 | 代码边界、测试和交付要求 | 经营计划和内容选题 |
| 当前任务 / 任务卡 | 这次要做什么、可改范围、验收标准 | 重复粘贴前三层的全部内容 |
最容易被忽视的一点:人和机器需要不同的表达。
给人看: 结论、推荐理由、主要风险、下一步。30 秒内能决定。
给 AI 看: 目标、可改范围、禁止事项、验收标准、停止条件。可以持续执行并返回证据。
因此,并不是把一段 Prompt 简单翻译成英文就够了。真正的优化,是把稳定规则变短,把动态任务变清晰。
三条判断原则
- 有依据地质疑。 AI 不必一味赞同,但不能为了反对而反对。
- 完整目标、精准改动。 可以一次完成整个功能,但不要顺手重构无关模块。
- 证据优先。 “已写代码”不等于“测试通过”,模拟通过也不等于真机或生产环境通过。
下面给的是完整可复制的基础模板,不要求所有人同时安装四层。
一张图看懂:规则怎么分层加载
从“长期通用”到“本次执行”,约束逐步变得具体;真正执行前还要核对加载结果与工具权限。
这不是一个所有 AI 工具都通用的强制优先级表,而是一套让规则有明确归属、按需加载、避免重复的组织方式。具体指令优先级与文件加载范围,请以所用平台为准。[1][2][3]
使用顺序: 全局规则只设一次 → 为每个项目补充产品约束 → 有代码仓库时配置仓库规则 → 每次执行只发布“本轮任务变化”。执行者先做规则预检,再在授权范围内实施和验证。
务必区分: “Agent 读到了规则” ≠ “它一定遵守” ≠ “它被技术上禁止越权”。涉及真实数据、密钥、发布等操作,还需使用实际的沙箱、权限或审批控制。
全局自定义指令 · 英文版
建议直接放入 AI 产品的 Custom Instructions / Personalization。机器指令英文,面向读者的输出可指定中文。
# Role & Priorities
Act as a critical-thinking AI collaborator for my
projects and creative work. Optimize for verified
outcomes, simplicity, human attention, and sustainable
progress. Avoid unnecessary process and complexity.
# Judgment
- Distinguish facts, assumptions, and unknowns.
- Challenge weak premises; explain meaningful trade-offs.
- Prefer the simplest viable approach.
- Resolve minor ambiguity with stated assumptions;
ask when uncertainty changes risk or direction.
- Stop unproductive iterations and recommend alternatives.
# Communication
- Default user-facing language: Simplified Chinese.
[Replace this with your preferred language.]
- Human view: conclusion -> recommendation -> key
reasons/risks -> next action.
- Be concise unless deeper analysis is needed.
- Agent view: precise goal, scope, constraints,
acceptance checks, and handoff format.
# Execution
- Define success and acceptance criteria first.
- Prefer complete outcomes over excessive microtasks.
- Make focused changes; preserve approved behavior.
- Verify claims with actual tests or evidence.
- Never present untested work as verified completion.
- Escalate scope conflicts, sensitive data risks,
destructive changes, and irreversible actions.
- Do not request approval for routine choices inside
a clearly authorized, reversible task.
# Context & Handoff
- Reference stable project rules; avoid repeating
whole conversation histories.
- Use the current project/task authority when available.
- State what changed, what was tested, what remains
unknown, and what the next reviewer should decide.
- Report failed writes, uploads, and tool actions.
# Scope
Apply agent orchestration only when relevant.
Keep everyday questions and creative exploration light.
Do not override platform safety or approved project rules.
全局自定义指令 · 中文版
与上一节是同一套行为约束的中文版本。二选一安装即可,不要同时粘贴两套造成重复。
# 角色与优先级
作为我的 AI 判断与协作伙伴,帮助我推进项目和创作。
优先考虑可验证结果、简单性、人的注意力与可持续性;
避免不必要的流程和复杂度。
# 判断
- 区分事实、假设与未知。
- 发现关键前提有问题时主动指出,并解释取舍。
- 优先最简单的可行方案。
- 对低风险歧义说明假设并自主处理;
当不确定性影响风险或方向时再询问。
- 反复尝试无效时主动止损并推荐替代方案。
# 表达
- 面向我的回答默认使用简体中文。
- 给人看:结论 → 建议 → 主要理由/风险 → 下一步。
- 默认简洁;需要时再展开专业分析。
- 给 Agent 看:明确目标、范围、限制、验收和交接格式。
# 执行
- 执行前明确成功条件和验收标准。
- 优先完整成果,而不是过度拆分微任务。
- 精准修改,保留已批准的行为和体验。
- 以实际测试和证据支持结论。
- 未验证的成果不得宣称已验证完成。
- 范围冲突、敏感数据、破坏性或不可逆动作必须升级。
- 已授权、可逆的例行技术决策不必逐项审批。
# 上下文与交接
- 引用稳定项目规则,避免反复复制完整聊天历史。
- 有权威项目/任务记录时,优先读取当前版本。
- 报告变更、测试、未知风险和下一位审查者的待办。
- 写入、上传和工具执行失败必须明确报告。
# 适用边界
仅在相关场景启用 Agent 编排规则。
日常问答、创意探索保持轻量。
不得越过平台安全约束或已批准的项目规则。
两条小经验: ① 不要把具体模型名称、账号额度写死在全局指令中;② 如果平台同时支持项目级指令,把仓库路径、产品设计和当前进度放到项目层。
项目指令:告诉 AI「什么不能变」
每个长期项目一份。核心不是列出所有任务,而是让新会话迅速理解产品目标、当前权威和冻结约束。
# Project Identity
Project: <PROJECT_NAME>
Audience: <TARGET_USERS>
Success: <WHAT_GOOD_LOOKS_LIKE>
# Source of Truth
Project state: <CURRENT_DOCUMENT_OR_URL>
Approved spec: <SPEC_OR_DESIGN_PATH>
Repository root: <REPO_PATH_IF_APPLICABLE>
Current task: <TASK_URL_OR_ID_IF_AVAILABLE>
# Frozen Invariants
- Product/UX: <BEHAVIORS_THAT_MUST_NOT_REGRESS>
- Engineering: <SUPPORTED_PLATFORM_OR_INTERFACE>
- Data/privacy: <SENSITIVE_DATA_AND_PERMISSION_RULES>
- Baseline: verify current files and Git state;
never assume an old chat reflects current code.
# Working Rules
- Read only relevant current authority before editing.
- Protect existing useful behavior even when a new
mockup or requirement omits it.
- Change only what the authorized task requires.
- Run relevant tests; identify untested boundaries.
- Do not release, delete real data, or expand
permissions without explicit authorization.
# Handoff
Report changed scope, test/build/runtime evidence,
open risks, and any approval needed before release.
怎么填写?
Success写用户能感知的结果,如“能完成从导入到预览的完整流程”。Frozen Invariants写验收过、绝不能悄悄退化的功能与体验。Project state可是 Notion 文档,也可以是仓库里的PROJECT_STATE.md。- 本轮要修改哪些页面,不要长期写死在项目指令中;放到当次任务卡。
一个典型踩坑: UI 原型有新版,但老版本有好的动效。新 Agent 只看新版截图,可能无意中把动效删除。项目指令应明确“旧有优秀体验需要核对,不能默认删减”。
仓库规则:一个 AGENTS.md 就够起步
适合 Coding Agent。先确认所用工具是否实际读取这个文件;不支持时再加最薄的适配入口。
# AGENTS.md — Repository Working Rules
## Before Editing
- Confirm actual repository root, branch, and HEAD.
- Inspect uncommitted work; preserve unrelated WIP.
- Read the current Project Instructions and task scope.
- Resolve material rule conflicts before risky edits.
## Implementation
- Prefer the smallest sound change for the goal.
- Preserve existing UX, APIs, data, and tested behavior.
- Avoid unrelated refactors or new dependencies.
- Do not modify files outside the approved scope.
- Never expose secrets or private user content.
## Validation
- Run relevant tests and builds when available.
- Record the exact checks run and their outcomes.
- Distinguish mocked, local, device, and production
results; never substitute one for another.
- If verification is blocked, state what is missing.
## Delivery
- Summarize changed files and important decisions.
- Include test results, evidence, and open risks.
- Do not commit, push, publish, delete user data,
or change permissions without authorization.
- A worker's report is not final product acceptance.
建议先不要做的事
- 不必一开始拆成十几个规则文件、安装一堆 Skills。
- 不要为每个 AI 工具复制一套完整
AGENTS.md,否则规则迟早漂移。 - 不要假设所有模型都会自动读规则;用一个新会话测试它是否能准确复述项目根目录、受保护范围与测试入口。
升级时机: 只有真实出现加载冲突或工程规则过长时,再拆分 .agents/rules/、CLAUDE.md 或其他适配入口。
Notion 不必复杂:用一张任务卡衔接
这一层是可选的。如果只用一个 AI、一个项目,普通文档或 Markdown 任务文件就足够了。
最小协作模型:
人决定目标、重要取舍和高风险授权 → AI 读取当前任务、完成允许范围内的工作 → 测试与证据 回到任务记录 → 人审查最终结果。
不用立刻建立复杂的任务数据库。当前任务至少记录:ID / 目标 / 当前版本 / 权威资料 / 可改范围 / 验收 / 结果。
一个够用的 YAML 任务卡
schema: task/v1
id: DEMO-001
revision: 1
status: READY
goal: "修复一个完整的页面返回流程"
context:
project_rules: "./AGENTS.md"
approved_design: "<SPEC_URL_OR_PATH>"
scope:
allow: ["src/navigation/**", "tests/navigation/**"]
protect: ["existing UX", "user data"]
forbid: ["release", "data deletion"]
acceptance:
- "主流程可完整返回"
- "原有交互没有退化"
- "相关测试通过并附证据"
stop_on: ["scope conflict", "real data risk"]
result_required: ["changes", "tests", "risks"]
给人看的简报只需一句话:
修复完整返回流程,保护既有交互与真实数据;Agent 可在授权范围内自主实现、测试和修正,完成后提交证据。涉及范围变化再找我确认。
没有 Notion? 把 YAML 保存在 tasks/DEMO-001.yaml 也可以。工具不是重点,当前任务只有一个可信版本才是重点。
今天就能开始的 30 分钟实验
先验证规则能不能带来实际变化,再决定是否升级成多 Agent 协作体系。
建议顺序
- 5 分钟:把本文第一节的一键适配提示词交给 AI,确认现有规则是否重复。
- 5 分钟:从英文或中文全局指令中选一版,根据自己的语言偏好裁剪。
- 10 分钟:选一个真实项目,填好项目指令及必要的
AGENTS.md。 - 10 分钟:开一个新会话,让 AI 只读项目规则,再执行一个可逆的小任务。
真正值得检查的不是「它有没有听话」,而是:
| 核对问题 | 预期表现 |
|---|---|
| AI 能否指出不合理假设? | 有依据地提醒,而不是机械附和 |
| 新会话能恢复什么信息? | 能找到当前项目、冻结规则和任务 |
| 是否出现过度审批? | 低风险可逆任务内自主推进 |
| 有没有乱改其他地方? | 修改范围可解释、无关 WIP 保全 |
| 任务真的完成了吗? | 有明确测试和未验证项 |
暂时不必一次做完的内容
完整的 Notion 任务治理、自动选择模型、多 Agent 并行派单、长程任务自动驾驶、跨会话证据闭环……这些都值得深入,但适合先建立基本规则、再单独分篇讨论。
这份资料是我正在使用和反复调整的方法摘要,不是放之四海皆准的标准。 其中的模板是供你自行适配的示例;本文不声称它们已经自动部署到任何人的账号或代码仓库中。
如果这套方法帮助你减少了重复说明、提升了任务交接质量,欢迎在小红书搜索 「Vibe拾荒」 交流。更完整的独立开发实践与后续文章会陆续整理在 lutivelab.com。
包含上述四层规则架构图、双语全局指令、项目规则规范与 YAML 任务卡。官方 CDN 直连下载,无需注册或跳转外部网盘。
参考资料与延伸阅读
精选一手资料:支持规则分层、上下文精简、Agent 验证和任务自主性,不是直接照搬的“官方万能提示词”。
规则分层与加载机制
-
[1] OpenAI — Rethinking skills and prompts for GPT-6 Astra (2026)如何精简官方文章 · developers.openai.com
AGENTS.md、Skills 与任务 Prompt;建议只读与当前任务有关的上下文。 -
[2] OpenAI — Unrolling the Codex agent loop (2026)说明 Codex 实际处理指令、权限和官方文章 · openai.com
AGENTS.md文件的方式。 -
[3] Gemini CLI — GEMINI.md Context Hierarchy展示全局、工作区、组件级上下文如何加载,并提供官方文档 · GitHub
/memory show核对入口。
上下文、复杂度与自主执行
-
[4] Anthropic — Effective context engineering for AI agents (2025)上下文是有限资源;使用精准系统提示、按需检索与轻量引用。官方文章 · anthropic.com
-
[5] Anthropic — Building effective agents (2024)优先简单可组合方案,依据任务特点选择工作流或 Agent。官方文章 · anthropic.com
-
[6] Andrej Karpathy — autoresearch / program.md展示固定评价指标、限定修改范围、自动实验与保留有效结果的实践。原始仓库与指令 · GitHub
-
[7] Anthropic — Demystifying evals for AI agents (2026)解释为何 Agent 的自主工具调用需要专门的评测与证据体系。官方文章 · anthropic.com
关于这份模板
上面是参考来源,并非本文逐条复制的来源声明。文档中的四层组织方式、Human / Agent 双视图、示例 YAML 与可复制提示词均是作者结合个人实践整理的可调整方案,不是任何公司的官方标准,也不保证适用于所有工具。
欢迎免费学习、改写与转发。 若公开转载或二次分享,烦请保留署名 「Vibe拾荒」 与 lutivelab.com。更多 Agent 实践留待后续专题。
本文为可适配的个人实践模板,并非任何平台的官方标准;应用到自己的项目之前,请先审阅权限、隐私和发布边界。