LLMs之PE：system-prompts-and-models-of-ai-tools的简介、使用方法、案例应用之详细攻略
LLMs之PE：system-prompts-and-models-of-ai-tools的简介、使用方法、案例应用之详细攻略
目录
system-prompts-and-models-of-ai-tools的简介
1、特点
system-prompts-and-models-of-ai-tools的使用方法
Cursor Prompts
/Chat Prompt.txt
/Memory Prompt.txt
Manus Agent Tools & Prompt
/Prompt.txt
VSCode Agent
system-prompts-and-models-of-ai-tools的案例应用
system-prompts-and-models-of-ai-tools的简介
system-prompts-and-models-of-ai-tools项目是一个开源项目，旨在收集和分享各种 AI 工具的系统提示词和 AI 模型。该项目由 x1xhlol 发起，汇集了 FULL v0, Cursor, Manus, Same.dev, Lovable, Devin, Replit Agent, Windsurf Agent, VSCode Agent, Dia Browser & Trae AI 等多种 AI 工具的系统提示词和内部工具。
GitHub地址：GitHub - x1xhlol/system-prompts-and-models-of-ai-tools: FULL v0, Cursor, Manus, Same.dev, Lovable, Devin, Replit Agent, Windsurf Agent, VSCode Agent, Dia Browser & Trae AI (And other Open Sourced) System Prompts, Tools & AI Models.
1、特点
- 全面的系统提示词集合: 包含了多种 AI 工具的系统提示词，提供了深入了解这些工具结构和功能的机会。
- 开源: 允许开发者免费使用和修改这些系统提示词，促进 AI 技术的创新和发展。
- 持续更新: 项目维护者会不断更新和添加新的系统提示词和模型，保持项目的时效性。
- 安全提示: 提醒 AI 初创公司注意数据安全，防止系统提示词或 AI 模型泄露。
system-prompts-and-models-of-ai-tools的使用方法
由于该项目主要提供系统提示词，因此安装和使用方法主要取决于具体的 AI 工具。一般来说，需要先安装相应的 AI 工具，然后在配置中指定或加载相应的系统提示词。
Cursor Prompts
/Chat Prompt.txt
https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools/blob/main/Cursor%20Prompts/Chat%20Prompt.txt
| 部分／标签 | 目的 | 设计特点 | 主要内容 |
|---|---|---|---|
| Role & Context 初始 | 定义助理角色（AI 编程助手）及运行环境（Cursor、GPT-4o） | 声明式、简洁，设定技术角色和上下文 | “You are an AI coding assistant… powered by GPT-4o. You operate in Cursor” |
| <communication> | 规定 Markdown 回答风格及数学符号约定 | 使用标签封装，独立于正文，聚焦格式 | 用反引号标记文件/目录/函数/类名；用 \\( \\) 表示行内数学；用 \\[ \\] 表示块状数学 |
| <tool_calling> | 详细说明调用工具的规则：格式、时机、如何调用 | 清晰编号，重点加粗，列表形式 | 1. 严格按照工具调用 schema 2. 不调用未定义工具 3. 不向用户泄露工具名… |
| <search_and_reading> | 指导如何在确认回答前自动检索或信息 | 强调自主获取，减少向用户提问，包含示例 | 何时使用搜索工具或提问以补充信息，强调尽可能自己解决，不打扰用户 |
| <making_code_changes> | 指导如何建议代码修改：补丁格式、注释规范及示例 | 用 // ... existing code ... 表示未变部分，示例展示补丁结构 | 示例代码块：language:path/to/file<br>// ... existing code ...<br>{{ edit_1 }}<br>// ... existing code ...<br> 及对“apply model”兼容的说明 |
| <user_info> | 提供用户环境信息（操作系统、工作区路径、Shell） | 块状呈现，数值具体，有助于推断路径和命令 | OS: win32 10.0.19045 Workspace: {path}Shell: PowerShell |
| <custom_instructions> | 用户的个性化偏好（回答语言） | 极简、直接，覆盖默认设置 | “Always respond in Spanish” |
| <additional_data> | 附带的与任务相关的数据（文件、代码片段） | 独立区块，提供技术上下文，不干扰主体 | 附件 api.py，包含 vllm 导入和调用示例 |
| <user_query> | 用户的具体请求：构建 vllm 的 API；以及一次问候 | 可多次出现，用 <user_query> 标签分隔 | 1. “build an api for vllm” 2. “hola” |
| “tools” 规范（JSON） | 定义可用工具：语义搜索、读文件、列目录、grep、模糊文件搜索、网络搜索 | JSON 列表详细描述函数、参数、限制；启用自动工具选择和流式输出 | – codebase_search– read_file– list_dir– grep_search– file_search– web_search |
/Memory Prompt.txt
https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools/blob/main/Cursor%20Prompts/Memory%20Prompt.txt
| 部分／标签 | 目的 | 设计特点 | 核心内容 |
|---|---|---|---|
| 角色定义 | 说明助理身份：资深软件工程师，负责判断记忆价值 | 开门见山，直接点明角色和职责 | “You are an AI Assistant who is an extremely knowledgable software engineer…” |
| <conversation_context> | 提供上下文对话，作为记忆判断的依据 | 使用标签包裹，可插入任意长度的对话文本 | ${l}（占位符）代表前序人机对话内容 |
| 待评估的记忆 | 指定需要判断的“记忆”内容 | 用引号包裹，单行展示 | "${a.memory}"（占位符） |
| 评分指引 | 定义何为“值得记忆”，并给出评分标准（1–5 分） | 列点形式说明判断准则，强调通用性、可操作性和非特定性 | - 与编程领域相关 - 可应用于后续对话 - 具体且可操作 - 非当前会话特定细节 - 必须通用，不限于当前代码 |
| 负面示例 (<examples_rated_negatively>) | 列举不该记忆的情形，帮助区分具体特定细节 | 标题明确、示例按要点简短说明，并标注评分（1–2 分） | 如函数重构目标、文件中特定变量名、API 路径、CSS 微调等高度上下文依赖的细节 |
| 中性示例 (<examples_rated_neutral>) | 列举边界情况，评分为中间值（3 分） | 少量示例，说明何时既非完全通用也不完全特定 | 如常见项目目录结构建议、常见代码库求助需求 |
| 正面示例 (<examples_rated_positively>) | 列举应当记忆的通用偏好或规则，评分为高分（4–5 分） | 丰富示例，涵盖配置、流程、技术选型等多种场景 | 如函数长度限制、使用 async/await、开启 TypeScript 严格模式、TDD 工作流、技术选型偏好（Svelte）、安装依赖前步骤等通用可复用规则 |
| 额外评分注意 | 强调评分时的倾向和例外情况 | 文字说明+强调，指出评分“保守”、用户显式要求例外、特殊标签例外 | - 倾向给低分 - 模糊或显而易见的偏好打 1–2 分 - 不确定或边界打 3 分 - 明确通用规则才打 4–5 分 - 用户明确要求记忆则强制 5 分 - “no_memory_needed” 一律 1 分 |
| 输出格式 | 规定最终输出形式：提供理由，另起一行给出 “SCORE: [分数]” | 文字说明+格式模板 | “Provide a justification for your score…”，最后输出如 SCORE: 3 |
Manus Agent Tools & Prompt
/Prompt.txt
# Manus AI Assistant Capabilities
https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools/blob/main/Manus%20Agent%20Tools%20%26%20Prompt/Prompt.txt
| 部分／标签 | 目的 | 设计特点 | 核心内容 |
|---|---|---|---|
| Overview | 概览说明：介绍 AI 助手定位及职责范围 | 二级标题+简要文字 | “I am an AI assistant designed to help users…” |
| General Capabilities | 列举通用能力：信息处理、内容创建、问题解决三大类 | 三级标题 + 条列式 | 信息处理（问答、研究、校验、摘要、数据分析） 内容创建（写作、编辑、代码、创意等） 问题解决（分解步骤、排错、替代方案等） |
| Tools and Interfaces | 说明可用工具与接口：浏览器、文件系统、Shell、通信、部署等 | 二级标题+子分组（浏览器、文件、Shell、通信、部署）+条列 | 浏览器能力（导航、抓取、交互、执行 JS、截图） 文件系统（读写、搜索、压缩、格式转换） Shell（执行命令、安装软件、脚本自动化） 通信（提问、更新、附件） 部署（端口、静态/动态网站、监控） |
| Programming Languages and Technologies | 列出支持的编程语言、框架与库 | 二级标题下分两列：语言／框架库 | 语言（JavaScript/TypeScript、Python、HTML/CSS、Shell、SQL、PHP、Ruby、Java、C/C++、Go 等） 框架与库（React/Vue/Angular、Node.js/Express、Django/Flask、pandas/numpy、测试框架、ORM） |
| Task Approach Methodology | 描述任务执行流程：需求理解、规划执行、质量保证 | 二级标题+三级标题分三阶段+条列 | 理解需求（分析、提问、分解、识别挑战） 规划执行（制定计划、选工具、执行、适应） 质量保证（验证、测试、记录、反馈） |
| Limitations | 明确边界与禁止行为 | 二级标题+负面列表 | 无法访问内部架构、无法进行有害或违法操作、无法创建账户、只能在沙箱环境、受上下文窗口限制等 |
| How I Can Help You | 强调可帮助的广泛任务范围 | 二级标题+叙述性段落 | 从信息检索到复杂问题解决，欢迎用户提供具体任务；突出方法论 |
| Effective Prompting Guide | 指导用户如何编写高效 Prompt | 二级标题+多个三级标题+示例对比 | 关键要素（明确、提供上下文、结构、格式要求） 示例（“差”与“好” Prompt 对比） 迭代提示（初稿—审阅—完善循环） 代码提示（语言版本、依赖、错误示例、性能、兼容性） |
| About Manus AI Assistant | 介绍具体的“Manus”助手：定位、目标、工作方式、个性、价值观 | 大量小节（介绍、目的、方法、性格、领域、学习、风格、价值、协作） | Manus 的身份定位、任务流程、人格特质（细致、耐心、透明）、可帮助领域、学习与改进机制、沟通风格、核心价值观、最佳协作方式等 |
VSCode Agent
https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools/blob/main/VSCode%20Agent/Prompt.txt
| 部分／标签 | 目的 | 设计特点 | 核心内容 |
|---|---|---|---|
| 通用执行规则 | 说明如何使用可用工具，应对参数缺失或推断、调用时机与格式 | 段落式说明，强调逻辑顺序、条件分支；全大写关键词突出要点 | - 优先使用相关工具 - 检查所需参数 - 参数用用户原文精确填充 - 不捏造可选参数 - 缺值则询问用户 |
| <identity> | 确定助理身份与行为准则 | 标签包裹，多条简明指令；规定对敏感／违法请求的统一拒绝回复 | - 身份：“GitHub Copilot” - 遵守微软策略和版权 - 禁止生成有害/无关内容时回复固定句 - 回答保持简短、客观 |
| <instructions> | 指导问题拆解与工具选用策略 | 标签内分条，覆盖从推断项目类型到多轮工具调用的流程 | - 推断语言/框架 - 需求拆解 - 自主多次、多种工具调用 - 优先语义搜索 - 先收集上下文再动手 - 不重复工具调用后的内容 |
| <toolUseInstructions> | 规范工具调用格式与流程细节 | 标签内分条，强调 JSON 严格性、并行调用规则、命名隐藏 | - 严格按 JSON schema 输出 - 可行动作直接调用工具 - 不向用户暴露工具名 - 并行调用但语义搜索除外 - 调用后续工具收集更多上下文 - 用户偏好变化用 update_user_preferences 保存 |
| <editFileInstructions> | 规范如何使用 insert_edit_into_file 编辑文件 | 标签内分条，强调先读后改、分文件分组、简洁提示；示例演示用法 | - 先读文件再改 - 每文件一次调用 - 不直接输出变更 codeblock - 用 // ...existing code... 标示未改部分- 改完后必须调用 get_errors 校验- 示例：Person 类增添字段 |
| <functions> | 定义可调用工具的名称、用途与参数 schema | JSON 数组格式，条目详列 name/description/parameters | 包括： – semantic_search– list_code_usages– get_vscode_api– file_search– grep_search– read_file– list_dir– run_in_terminal– get_terminal_output…等共二十余种工具 |
| <context> | 提供当前工作区环境信息和目录结构 | 标签包裹，可包含多行自由文本或列表 | - 当前日期、操作系统 - 工作空间根路径 - 当前文件/文件夹列表 - 提示视图可能被截断，可用工具补全 |
| <reminder> | 补充对某工具调用的细节提醒 | 单行标签，突出重点 | 再次强调：编辑文件时用 ...existing code... 标示未变部分 |
| <tool_format> | 指定后续工具调用的 XML 样式起始格式 | 标签包裹，示例化初始元素 <invoke> 和 <parameter> 结构 | 示意：xml<br><invoke name="[tool_name]"> <parameter name="[param_name]">[param_value]… |
system-prompts-and-models-of-ai-tools的案例应用
- 代码自动完成: 使用 Cursor 或 VSCode Agent 的系统提示词，可以实现代码的自动完成功能，提高开发效率。
- 自动化测试: 使用 Trae AI 的系统提示词，可以自动生成测试用例并执行测试，提高测试效率和质量。
- Web 数据提取: 使用 Windsurf Agent 的系统提示词，可以自动从网页中提取数据，用于数据分析和挖掘。
- AI 代理: 使用 Manus 的系统提示词，可以创建各种 AI 代理，用于自动化执行任务。