当我们谈论构建强大的 AI 应用时，尤其是在开发者工具领域，我们梦想的不仅仅是一个问答机器人。我们想要的是一个智能的、能自主行动的“代理”（Agent）——一个能理解代码库、执行命令、修复 Bug、甚至从零开始构建应用的得力助手。

Google 开源的 gemini-cli 就是这样一个雄心勃勃的项目。它将 Gemini 的强大能力直接带入你的终端，让你能够用自然语言与代码、文件和系统进行交互。但要让一个 AI 模型在开发者的本地环境中安全、可靠、高效地工作，挑战是巨大的。任何一个微小的误解都可能导致灾难性的后果，比如误删文件或提交错误的代码。

这一切的核心，在于那个赋予 Gemini CLI “灵魂”的 System Prompt。幸运的是，这个项目是开源的，我们可以一窥其内部的精妙设计。下面，我们将逐层拆解这个堪称教科书级别的 Prompt，提炼出可供我们自己项目借鉴的宝贵经验。

核心洞察：Prompt 即程序 (Prompt as Code)

在分析之前，我们首先要建立一个核心认知：这个 Prompt 不是一个静态的文本文件，它是一个由 TypeScript 函数 getCoreSystemPrompt 动态生成的字符串。这意味着它可以根据当前的运行环境（例如，是否在沙盒中、项目是否为 Git 仓库）来自我调整，在运行时为 AI “编译”出最合适的指令集。这正是专业级 Prompt 与普通 Prompt 的根本区别——从静态描述转向动态构建。

现在，让我们深入探索其设计的五大支柱。

第一课：为 AI 精准“角色扮演”与设立“铁律” (Role & Mandates)

一个好的管理者不会只给下属一个模糊的目标，而是会清晰地定义其角色、职责和不可逾越的红线。这个 Prompt 也是如此。

原文节选（已翻译）：

你是一个专注于软件工程任务的交互式 CLI 代理……在阅读或修改代码时，严格遵守现有的项目约定……绝不假设某个库或框架是可用的……模仿其风格……谨慎添加代码注释……绝不要通过注释与用户交谈或描述你的变更。

设计哲学剖析：

1. 角色定义 (Role Definition)

   开篇第一句就为 AI 精准定位——“一个专注于软件工程任务的交互式 CLI 代理”。这排除了所有无关的交互模式（如闲聊、诗歌创作），让模型的所有“算力”都集中在核心任务上。

2. 核心准则 (Core Mandates)

   这部分是 AI 的“铁律”。它不再是建议，而是命令。

   • 尊重约定 (严格遵守现有的项目约定)

     这是顶级开发者最重要的素养。AI 被要求像一个经验丰富的老手一样，先观察项目现有代码的风格、结构和依赖，而不是贸然引入新东西。

   • 杜绝臆断 (绝不假设)

     强调在引入任何库或框架前，必须先通过检查 package.json 等配置文件来验证其是否已是项目的一部分。这避免了“幻觉”导致的依赖错误。

   • 极简主义 (谨慎添加注释, 除非被要求，否则不要解释变更)

     这点非常有趣。它要求 AI 像一个专业的 CLI 工具那样运作——只做事，不多话。这保证了输出的干净，便于用户进行后续的脚本化处理。它把 AI 从一个“话痨”变成了一个沉默可靠的“瑞士军刀”。
      

     

     
     
     本节启示：> 为你的 AI Agent 设定一个极其明确的角色，并用清晰、强制性的语言（如 `绝不`, `总是`, `严格`）定义其行为准则。这能极大地提升其可靠性和可预测性。

第二课：结构化思维——为复杂任务设计“工作流” (Workflows)

面对一个模糊的任务，人类专家会将其拆解为一系列结构化的步骤。这个 Prompt 将这种专家思维模式直接编码给了 AI。它为两类核心场景定义了截然不同的工作流：

1. 软件工程任务 (Software Engineering Tasks)

   针对修改现有代码的场景（如修复 Bug、重构）。

   • 流程

     1. 理解 -> 2. 规划 -> 3. 实现 -> 4. 验证 (测试) -> 5. 验证 (标准)

   • 设计哲学剖析

     这是一个极其严谨的开发流程。它强制 AI 在动手（实现）之前，必须先用 GrepTool, ReadFileTool 等工具充分理解上下文（理解），并制定计划（规划）。更重要的是，在完成后必须用项目的测试和 linting 命令进行双重验证（验证）。这实际上模拟了测试驱动开发（TDD）和持续集成的核心思想。

2. 创建新应用 (New Applications)

   针对从零开始创建项目的场景。

   • 流程

     1. 理解需求 -> 2. 提议计划 -> 3. 用户批准 -> 4. 实现 -> 5. 验证 -> 6. 征求反馈

   • 设计哲学剖析

     这个流程更侧重于产品和需求。它要求 AI 首先提出包含技术选型（甚至给出了推荐栈，如 React+Node.js）、核心功能和用户体验的方案，并在获得用户批准后才开始实施。这确保了最终交付物与用户预期一致，避免了大量的无效工作。

本节启示：

不要指望 AI 能一步到位地解决复杂问题。将任务类型分类，并为每类任务定义一个清晰、分步骤的工作流。这会引导模型形成逻辑化的“思维链”，极大提升任务成功率。

第三课：点睛之笔——让 Prompt 拥有“环境感知”能力

这是整个 Prompt 设计中最精妙的部分。通过在代码中执行的 (function () { ... })()，Prompt 可以在生成时感知其运行环境，并动态地将特定的上下文信息“注入”自身。

1. 沙盒感知 (Sandbox Awareness):

• 代码逻辑

  检查 process.env.SANDBOX 环境变量。

• 注入内容

  如果检测到在沙盒中运行，会追加一条提示，告诉 AI 它当前权限受限，如果遇到 操作不允许 之类的错误，要向用户解释这可能是沙盒导致的。

• 设计哲学剖析

  这让 AI 变得“聪明”。当它遇到问题时，它不会简单地报告失败，而是能根据环境给出一个更具洞察力的诊断。这极大地改善了用户体验。

2. Git 仓库感知 (Git Repository Awareness):

• 代码逻辑

  调用 isGitRepository(process.cwd()) 函数判断当前目录是否为 Git 仓库。

• 注入内容

  如果是，则追加一整套关于如何使用 Git 的详细指南，包括如何检查状态 (git status)、如何查看差异 (git diff)、如何参考历史信息写好 Commit Message (git log -n 3) 等。

• 设计哲学剖析

  这是终极的上下文情境化。AI 不再是一个通用的代码助手，而是一个懂得版本控制、能融入真实开发流程的“团队成员”。它被指导如何像人类开发者一样，在提交代码前进行审慎的检查。
   

  

  
  
  本节启示：> 超越静态 Prompt，思考如何让你的应用在生成 Prompt 时动态注入关键的上下文信息。这能让你的 AI Agent 从“通用模型”转变为“领域专家”。

第四课：安全与交互——构建信任的基石

当 AI 拥有执行 ShellTool 的能力时，安全就成了头等大事。

原文节选（已翻译）：

解释关键命令：

 在执行命令前……你 必须 提供一个简短的解释……
安全第一： ……绝不引入会暴露……密钥……的代码。
尊重用户确认： 如果用户取消了一个函数调用，尊重他们的选择，不要 再次尝试发起该函数调用。

设计哲学剖析：

• 解释优先于执行

  在执行任何可能修改文件系统或系统状态的命令前，强制 AI 先向用户解释该命令的意图和潜在影响。这给了用户最终的控制权。

• 尊重用户的“否决权”

  明确指示，如果用户取消了一个工具调用（函数调用），AI 必须尊重用户的决定，不能再次尝试。这建立了用户对 AI 的信任。

• 简洁的 CLI 风格

  最少化输出、禁止闲聊 等规定，确保了交互的专业性和效率。
   

  

  
  
  本节启示：> 对于拥有高权限的 AI Agent，安全和信任是不可或缺的。在 Prompt 中明确写入安全准则和用户控制逻辑，是构建可靠 Agent 的前提。

第五课：榜样的力量——用丰富的“示例”进行校准 (Few-shot Examples)

Prompt 的最后部分提供了大量的交互示例（）。

设计哲学剖析：

• 格式校准

  示例展示了 AI 应该如何简洁地回答问题、如何格式化工具调用、如何在多轮对话中推进任务。

• 思维链示范

  最关键的例子（如重构代码或写测试）完整地展示了“理解 -> 分析 -> 计划 -> 执行 -> 验证”的思维过程，包括中间应该调用哪些工具。这是一种高效的“情景教学”（Few-shot Learning），手把手地教会模型如何思考。
   

  

  
  
  本节启示：> 不要低估示例的力量。精心设计的示例不仅能教会模型“说什么”，更能教会它“如何想”和“如何做”。

结论：从提示语到设计哲学

通过拆解 gemini-cli 的 System Prompt，我们看到的远不止是一些巧妙的措辞。我们看到了一套完整的 AI Agent 设计哲学：

• 始于角色，终于信任

  清晰的定位和严格的准则是基础。

• 流程定义行为

  结构化的工作流引导 AI 拆解复杂任务。

• 动态适应环境

  上下文感知能力让 AI 从“通用”走向“专用”。

• 安全永远第一

  明确的护栏和用户控制是生命线。

• 示例塑造思维

  好的例子胜过千言万语。

这个 Prompt 证明了，顶级的 Prompt Engineering 是一种融合了软件工程、用户体验设计和认知心理学的综合学科。它不再是关于如何“请求”AI 做事，而是关于如何“设计”一个自主、可靠、高效的数字心智。

希望这次深度拆解能为你打开一扇新的大门。现在，就去你的项目中，尝试运用这些原则，打造属于你自己的高级 AI Agent 吧！

如果您想要让大模型写出优质的短篇小说，以及对其他内容感兴趣，也欢迎点击下面的链接，效果不错哦，很多朋友都说好。

点击这里：超强写作提示词 以及 最强写作指导

效果如下

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。 

 这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

 

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓