双人漫谈：ClaudeCode - 节目列表

第7章的主题是 “通过提示词引导行为”。如果说前两章是 Claude Code 的“骨骼”，那么本章探讨的精心措辞的行为指令就是附着在骨骼上的“肌肉”，它们让模型表现得像一个经验丰富的工程师。 以下是该章节提炼出的 6 种核心行为引导模式及其底层设计原则： 1. 六大行为引导模式 * 极简主义指令 (Minimalism Directive)：核心：通过禁止过度工程，将模型的“乐于助人”倾向限制在任务实际需要的范围内。 金句：“三行相似的代码优于过早的抽象”。这种具体数量锚定（数字“3”）打破了模型默认的 DRY（不重复自己）启发式倾向。 * 渐进式升级 (Progressive Escalation)：核心：在“直接放弃”和“无限死循环”之间定义中间路径，引导模型遵循 “诊断 → 调整 → 最后求助” 的三阶段协议。 约束：同时禁止盲目重试和过早放弃，迫使模型在失败后进行有信息量的推理。 * 可逆性意识 (Reversibility Awareness)：核心：引入 “可逆性” 和 “影响范围” 两个维度构建 2x2 决策矩阵，教会模型“三思而后行”。 实践：使用 “NEVER + 除非明确要求” 的强力约束（如禁止 amend 已发布的 commit），并附带因果解释以促进模型在未知场景中的泛化。 * 工具偏好引导 (Tool Preference Steering)：核心：通过工具描述中的 “前置拦截”，将模型的默认工具选择从通用 Bash 命令（如 grep, find）重定向到专用工具（如 Grep, Glob）。 技巧：采用 “Use X (NOT Y)” 的二选一对照格式，并在系统提示词和工具描述中进行冗余强化。 * Agent 委托指引 (Agent Delegation Protocol)：核心：为多 Agent 协作定义精准规则，防止递归派生和上下文污染。 拟人化禁令：使用 “Don't peek（不要偷看子 Agent 的中间输出）” 和 “Don't race（不要在结果返回前捏造结果）” 等词汇，将技术约束转化为社交直觉。 * 数值锚定 (Numeric Anchoring)：核心：用精确数字（如“≤25 词”）替代模糊的定性描述（如“简洁一些”）。 量化收益：实验证明，仅将“保持简洁”替换为“≤25 词”，就实现了 1.2% 的输出 Token 削减。 2. 跨模式的底层设计原则 本章归纳了 5 条通用的提示工程设计准则： 1. 反面定义优于正面描述：“不要做 X”的边界比“做 Y”更清晰。 2. 具体例子是抽象规则的校准器：通过具体的反面案例（如 bug 修复不需要清理周围代码）来校准模型的执行力度。 3. 因果解释促进泛化：解释规则背后的“为什么”（如为何不能 amend），能让模型在未见过的场景中推导出正确行为。 4. 冗余是刻意的：在不同位置（如系统提示词和工具描述）重复关键约束，以对抗模型的注意力衰减。 5. 灰度部署提示词：如 ant-only 实验所示，提示词的修改也需要 A/B 测试和数据验证。 3. 实操建议 对于开发者，本章建议在构建自己的 Agent 时： * 用数字替代形容词（如“1-2 句”）。 * 为失败场景建立明确的升级路径。 * 利用“可逆性”维度构建安全防御框架。 总结而言，第7章展示了提示工程如何从“文学创作”转向**“精确控制”**。通过在生成概率空间中设置明确的“围栏”，Claude Code 成功地将一个通用的 AI 模型驯化成了一个克制、高效且具备风险意识的专业编码助手。

本章深入解析了 Claude Code 如何通过一套分段式组合架构（Sectioned Composition Architecture），在维持海量指令集的同时，实现极致的成本优化和缓存效率 1. 核心挑战：成本与灵活性的权衡 Claude Code 的系统提示词包含身份、规范、工具指南、环境信息等十余个段落，总量达数万 token。其架构设计必须解决三大工程挑战： * 体积与成本：避免每次 API 调用都重传数万 token 导致的缓存成本。 * 变化频率不一：身份介绍是静态的，而环境信息和 MCP 指令是动态的。 * 多来源覆盖：需要处理用户自定义、Agent 模式、循环模式等多种提示词来源的优先级。 2.：分段记忆化 (Sectioned Memoization) 系统提示词被拆分为独立的段落（Section），通过 systemPromptSections.ts 进行生命周期管理： * 记忆化段落 (systemPromptSection)：计算结果会被缓存到全局状态中，后续轮次直接复用，仅在 /clear 或 /compact 时重置,。 * 易变段落 (DANGEROUS_uncachedSystemPromptSection)：标记为“危险”，因为它们每轮都会重新计算并破坏缓存。这种设计通过 API 摩擦（要求必填 reason 参数）强制开发者权衡内容新鲜度与缓存效率,。 3. 静态与动态边界：缓存分治策略 系统提示词中存在一条显式的 SYSTEM_PROMPT_DYNAMIC_BOUNDARY（动态边界）： * 静态区（边界前）：包含在所有用户、所有会话中完全相同的内容。系统利用 scope: 'global' 实现跨组织缓存共享，极大降低了 Anthropic API 后端的计算压力。 * 动态区（边界后）：包含所有依赖运行时状态的内容（如工具引导、内存文件、环境信息）。 * 设计约束：静态区严禁包含任何因会话而异的条件分支，否则会导致全局缓存哈希变体呈指数级增长（2^N），使命中率归零,。 4. splitSysPromptPrefix 的三条缓存路径 系统会根据运行时条件选择最优的 API 请求块构建路径： * 路径 1：MCP 降级路径。当存在活跃的 MCP 工具时，由于工具 Schema 是用户级的，系统会自动降级到组织级（org）缓存。 * 路径 2：全局缓存+边界路径。这是最优路径，将提示词拆分为不可缓存的归因头、全局缓存的静态块以及不缓存的动态块。 * 路径 3：默认组织缓存路径。用于第三方提供者或未定义边界的情况。 5. 优先级合成链 (Priority Chain) buildEffectiveSystemPrompt 负责按严格的优先级合成最终发送给模型的指令集： * 优先级顺序：Override (覆盖) > Coordinator (协调器) > Agent (代理) > Custom (自定义参数) > Default (默认值)，最后再加上可选的 Append (追加) 段落,。 * 这种设计确保了在不同运行模式下，系统行为是可预测且线性可读的。 本章提炼了三项可复用的工程模式,： 1. 分段记忆化：通过工厂函数区分静态与易变内容。 2. 缓存边界分治：将会话变量赶到边界之后，保护全局缓存前缀。 3. 优先级链合成：使用清晰的三元链处理多来源提示词冲突。 总结而言：系统提示词架构的价值不在于功能实现，而在于成本效率。它通过精密的缓存层级设计，在每天数百万次 API 调用中节省了大量的处理开销，是生产级 AI Agent 的关键基础设施。

本章主题是 “计划模式（Plan Mode） — 从‘先做后看’到‘先看后做’”。本章深入分析了 Claude Code 如何通过一套完整的**“先规划、后执行”状态机**，解决 AI Agent 最大的风险——“写对了错误的东西”。 以下是该章节的核心内容总结： 1. 核心定位：意图对齐（Intent Alignment） Plan Mode 的核心价值在于意图对齐：在 Agent 动手修改代码前，先让其探索代码库、制定计划并获得用户审批。这不仅是简单的提问，而是一套涉及权限切换、计划持久化和工作流管理的复杂系统。 2. 三个关键设计决策 权限作为行为约束：进入计划模式后，工具集被限制为只读。这并非仅靠提示词，而是通过权限系统在工具调用前进行拦截。 计划文件作为对齐载体：计划被写入磁盘（Markdown 文件），而非仅停留在对话中。这使得计划在上下文压缩后不会丢失，且支持用户在外部编辑器中直接修改。 状态机而非布尔开关：它包含进入、探索、审批、退出、恢复的完整转换链，并具备保存/恢复权限模式的能力。 3. 5阶段工作流与提示词注入 系统通过“附件消息”向模型注入行动指南，并采用 Full/Sparse 节流模式 优化 Token 成本： Full 附件：包含完整的 5 阶段工作流指令（约 2000+ 字符），每 N 轮人类消息注入一次。 Sparse 附件：在非注入轮次仅提供一行提醒，节省空间。 不同工作流：外部用户通常使用标准的 5 阶段模式（先探索完再提交），而内部用户（Anthropic 员工）则使用 Interview 模式（边探索边提问，迭代完善）。 4. 计划文件的工程细节 命名机制：使用人类可读的词组 Slug（如 brave-fox.md）而非 UUID，并存放在全局目录中以防污染项目仓库。 路径防御：具备路径穿越防御，防止配置路径逃逸到项目根目录之外。 子 Agent 隔离：每个子 Agent 拥有独立的计划文件，避免相互覆盖。 5. 审批与安全防护 权限模式恢复：退出 Plan Mode 时会恢复进入前的权限（如 Auto 或 Default）。如果 Plan 期间触发了熔断器（如连续拒绝次数超限），系统会降级到安全默认值而非恢复 Auto 模式。 内外有别的行为校准：系统对内部和外部用户有不同的触发阈值。外部版本更倾向于“如果不确定就先计划”，而内部版则鼓励直接执行并针对性提问。 6. 核心设计模式提炼 本章总结了 5 种可复用的模式： 保存/恢复权限模式：确保受限操作结束后能精确回归原态。 计划文件作为载体：提升计划的持久性与外部协作性。 Full/Sparse 节流：在指令引导与 Token 成本之间取得平衡。 内外差异的行为校准：根据用户成熟度调整 Agent 的自主性。 状态转换防抖：通过单次消费标志处理快速切换模式产生的冲突。 总结： 展示了如何通过物理约束（权限）、持久化媒介（文件）和精细的状态转换逻辑，构建一个既高效又安全的人机对齐机制。