夜雨聆风
你有没有这种感觉——
用Claude Code写代码，它总能精准理解你的意图；用Cursor做IDE，它生成的代码风格和你一模一样；用Devin搞开发，它居然知道什么时候该主动、什么时候该收敛。
但你从来没告诉过它这些规则。
它是怎么知道的？
答案藏在一个GitHub项目里——system_prompts_leaks。
它用最简单粗暴的方式回答了这个问题：既然你们都不公开，那我就直接把你们的"家底"扒出来。
上线即爆。37K Star，36K Fork，持续霸榜GitHub Trending，评论区挤满了"感谢楼主让我看到了世界真相"的开发者。
今天就来扒一扒，这个项目到底藏了多少秘密。
一个价值81万Star的"白嫖"哲学
先说个冷知识：system_prompts_leaks 不是今天的主角。
今天的主角是它的衍生生态——AI Agent 提示词库，一个收录了 140+ 专家级提示词、累计斩获 81万 Star 的超大型开源项目。
这是什么概念？
比 Vue、React、TensorFlow 这些顶级框架的总和还多。一个纯文本仓库，一个代码都没有的项目，凭什么？
因为它解决了一个所有 AI 开发者都在焦虑的问题：
提示词调来调去效果不稳定，Agent 工作流动不动就陷入死循环，模型输出全靠"玄学"……
这些问题，本质上都是因为缺乏结构化的提示词工程方法论。
而这个项目，把全球最顶尖的 AI 团队在这件事上的"内部文档"全部收集了起来。
它收录了什么？一张图说清楚
这个项目目前收录了 32 个顶级 AI 工具的系统提示词逆向档案：
代码编辑器类
表格
工具 定位 核心策略
Cursor "质量审查员" 低主动性，只在必要时介入
Devin "自主工程师" 高主动性，全流程执行
Windsurf "协作助手" 中等主动性，引导式
VSCode Agent "IDE原住民" 无缝集成
Coding CLI 类
表格
工具 定位 核心策略
Claude Code "执行助手" 最小变更原则
Augment Code "代码增强" 上下文感知
Qoder "企业开发" Java/Spring特化
Warp.dev "终端升级" 命令行增强
Agent 类
表格
工具 定位 核心策略
Manus Agent "全能助手" 多工具协同
Traycer AI "任务编排" 流程自动化
Comet Assistant "实验追踪" MLOps集成
Claude Code 为什么是"执行助手"而非"代碼神"？
这是我在扒完所有提示词后最大的收获。
Claude Code 的系统提示词本质上是一份工程操作手册，它有三条铁律：
1. 最小变更原则
"只改任务要求改的，不做无谓重构"
这条看起来简单，但戳中的是一个让所有代码代理都容易踩的坑：模型在修改某处代码时，顺手把"看起来不规范"的地方也改了。
后果是：
Diff 混乱，Review 困难
可能引入预料外的副作用
调试成本爆炸
Claude Code 的解法是： 强制限制变更范围。"让你改按钮颜色，你就只改按钮颜色，别去碰旁边的代码。"
2. 任务状态外显化
Claude Code 强制使用 TodoWrite 类机制，把多步任务拆分并持续更新状态。
背后的逻辑：
代码任务是典型的多步骤长流程工作。模型如果只在"脑子里"维护任务状态，用户完全不知道它在做什么、做到哪一步、出问题也很难追溯。
Claude Code 的解法是： 把 Todo 列表可视化，让代理行为变成"可跟踪的项目执行"。把可审计性内建进产品。
3. 工具分工的强制规范
"搜索、读取、编辑、写入、终端各有专用工具，严禁用 bash 伪装文件操作"
背后的逻辑：
如果所有操作都走 bash，每次操作的实际影响都需要解析 shell 命令才能知道——这让"用户理解代理在做什么"变得极其困难。
Claude Code 的解法是： 专用工具的语义更清晰，出错也更容易定位。
Devin 的"自主工程师"人设，是怎么立住的？
相比 Claude Code 的克制，Devin 的提示词设计完全是另一种哲学：主动进攻型。
1. 全流程自主执行
Devin 的提示词鼓励模型"先把事情做完，再考虑解释"。
"当你有足够信息时，直接执行；当你需要用户输入时，列出选项而非开放式提问"
2. 主动风险管理
Devin 会在执行前评估潜在风险，并给出"如果失败怎么办"的备选方案。
3. 上下文物种化
Devin 会主动维护一个"项目上下文快照"，在每次工具调用前，检查当前状态是否与目标一致。
为什么 Cursor 的提示词最值得学？
Cursor 的定位是"低主动性质量审查员"——这是它最聪明的地方。
越克制，越强大
Cursor 深刻理解了一件事：开发者最怕的是 AI 比你还积极。
当你打开一个文件，Cursor 不会立刻跳出来说"我帮你重构一下"，而是安静地等着，等到你有明确需求时才介入。
Prompt 的精髓：Grounding
Cursor 提示词中大量使用 Grounding 技巧——通过具体代码片段来约束模型输出格式。
比如：
markdown
你生成的代码必须：
1. 与当前文件的缩进风格一致
2. 使用项目中已有的类型定义
3. 变量命名遵循 camelCase 规范
这种"锚定式约束"比"不要写烂代码"这种模糊指令有效一百倍。
system_prompts_leaks 的商业模式：扒完你还买不买单？
等等——扒光别人的提示词然后公开，这合法吗？
从法律上看： 系统提示词通常作为商业秘密或版权作品保护，逆向工程可能触及法律边界。
但这个项目的创始人玩了一个绝妙的设计：
ZeroLeaks 服务
项目创始人同时推出了一个叫 ZeroLeaks 的付费服务——帮你检测"谁在逆向你的提示词"。
商业模式闭环：
表格
步骤 动作 结果
Step 1 扒光别人的 prompt 拿 140K stars
Step 2 发现提示词泄露问题 制造焦虑
Step 3 推出防泄露服务 付费转化
真正的护城河不在提示词本身，而在数据。
这个项目给我们的三个启示
启示一：提示词工程没有死，只是升级了
很多人说"Prompt Engineering 已死"，但我看这个项目后的感受恰恰相反：
提示词工程没有消亡，它只是从"如何让模型听话"进化成了"如何给一个越来越自主的系统划定边界"。
过去写提示词，像在给一个服务员列菜单；现在写系统提示词，更像在给一个可以自主行动的员工制定公司制度。
你不能只告诉他"做好事、别犯错"，你得写清楚：
什么算犯错
犯了怎么处理
哪些事必须请示
哪些边界绝对不能碰
启示二：Agent 的竞争，本质上是"治理能力"的竞争
从这些提示词的设计来看，顶级 Agent 的差距不在于"能不能做"，而在于"什么时候不该做"。
治理能力 = 安全边界 + 变更控制 + 可审计性
这是国内 AI 创业公司最欠缺的功课。
启示三：白嫖是最好的学习方式
如果你正在为自己的 AI 产品设计系统提示词，与其闭门造车，不如先看看别人怎么做的。
建议的用法：
花 1 小时通读你想模仿的产品的提示词
找出它们共同的设计模式
把这些模式抽象成你的组件库
怎么用这个项目？
安装方式
bash
# 克隆仓库
git clone https://github.com/asgeirtj/system_prompts_leaks.git
# 进入目录
cd system_prompts_leaks
# 查看所有收录的工具
ls -la
学习路径
plaintext
Day 1: 通读 Cursor / Claude Code / Devin 的提示词
Day 2: 对比三者设计哲学的差异
Day 3: 从中提炼可复用的模式
Day 4: 应用到自己的项目中
逆向档案的标准结构
每个工具目录下都有四类文件：
表格
文件 内容
system-prompt.txt 完整的系统提示词原文
tools.json 工具调用 schema 定义
models.md 模型选择策略
agent-loop.md 主循环逻辑
写在最后
扒完这些提示词，我最大的感受是：顶级产品的系统提示词，早就不是在"调教模型"，而是在给一个强力系统立法。
它们更像公司内部的架构规范文档：
有不变的宪法层（核心价值观）
有随工具变化的运行时合同层（工具规范）
有可插拔的能力模块层（技能库）
有随风险加厚的权限治理层（安全边界）
这恰恰说明——越是有能力的模型，背后的系统提示词反而越长、越细、越复杂。
能力的边界扩大了，治理的边界也必须同步跟上。
你们觉得，哪个工具的提示词设计最让你眼前一亮？
欢迎在评论区聊聊～
推荐标签
#AI工具 #GitHub开源 #Agent开发 #提示词工程 #ClaudeCode #Cursor #Devin #编程效率 #AI编程 #技术干货
