agentica-prompts

用途

Agentica Prompts 用于为 Agentica/REPL 智能体编写可靠、可被稳定遵循的提示词。资料指出，标准自然语言提示由于 LLM 指令歧义，约有 35% 的概率无法被智能体正确执行。该方案通过显式动词、结构化输出和目录交接等机制，降低歧义、提升执行一致性。

主要能力

编排模式（Orchestration Pattern）

一套保留上下文的智能体编排工作流：

RESEARCH（Nia）→ 输出到 .claude/cache/agents/research/
PLAN（RP-CLI）→ 读取研究结果，输出到 .claude/cache/agents/plan/
VALIDATE → 对照最佳实践检查计划
IMPLEMENT（TDD）→ 先写失败测试，再使其通过
REVIEW（Jury）→ 对比实现、计划与研究
DEBUG（如需要）→ 通过 Nia 研究，不要假设

关键点：使用 Task（而非 TaskOutput）+ 目录交接 = 干净的上下文。

智能体系统提示模板

可注入每个智能体的系统提示，提供丰富的上下文理解，包含：智能体身份（角色、上游/下游智能体）、系统架构（记忆服务、任务图、文件 I/O、会话 ID）、目录交接（输入/输出目录、summary.md 与 artifacts/ 输出格式）、代码上下文（注入 RepoPrompt 代码地图）、任务描述，以及关键规则（RETRIEVE 表示读取现有内容、WRITE 表示创建/更新文件、受阻时输出发现与阻塞点、summary.md 作为交接需精确）。

模式专用提示

Swarm（研究）：每个智能体聚焦一个独特视角，输出 3-5 条关键发现、证据来源、不确定性与缺口，写入 {OUTPUT_DIR}/{PERSPECTIVE}/findings.md。
Hierarchical（协调者）：将任务分解为 2-5 个子任务，只能使用给定专家列表中的名称，每个子任务可由一个专家完成；简单任务返回空列表直接处理。输出 JSON 列表。
Generator/Critic（生成者）：产出解决方案，输出结构使用 solution、code、reasoning 键，写入 solution.json。
Generator/Critic（批评者）：按正确性、完整性、质量评估，输出 approved 与 feedback，写入 critique.json。
Jury（投票者）：独立投票，不猜测他人，仅基于证据，输出指定返回类型。

动词映射

将模糊表达替换为显式动词，例如：

读取："Read the file at X" → "RETRIEVE contents of: X"
写入："Put this in the file" → "WRITE to X: {content}"
检查："See if file has X" → "RETRIEVE contents of: X. Contains Y? YES/NO."
编辑："Change X to Y" → "EDIT file X: replace 'old' with 'new'"

目录交接机制

智能体通过文件系统而非 TaskOutput 通信。资料提供 Python 示例：OUTPUT_BASE = ".claude/cache/agents"，get_agent_dirs 返回输入/输出目录，chain_agents 让第二阶段直接读取第一阶段的输出目录。

反模式

列出常见问题与修复，例如："Tell me what X contains" 可能总结或幻觉，应改为 "Return the exact text"；"Check the file" 动作模糊，应指定 RETRIEVE 或 VERIFY；疑问句会诱发生成，应使用祈使句 "RETRIEVE"；"Read and confirm" 可能只回复 "confirmed"，应要求返回确切文本；用 TaskOutput 交接会污染上下文，应使用目录交接；"Be thorough" 主观不一致，应指定确切输出格式。

预期改进

未修复：约 60% 成功率
使用 RETRIEVE + 显式返回：约 95% 成功率
使用结构化工具模式：约 98% 成功率
使用目录交接：保留上下文，无转录污染

代码地图注入

使用 RepoPrompt 生成代码地图：

rp-cli --path . --output .claude/cache/agents/codemap.md
codemap=$(cat .claude/cache/agents/codemap.md)

记忆上下文注入

向智能体说明三层记忆系统：核心记忆（remember/recall）、归档记忆（store_fact/search_memory，FTS5 索引）、统一召回（recall），均以 session_id 为作用域。

使用方式

将系统提示模板注入每个智能体的系统提示；按模式选用对应专用提示；用显式动词替换模糊表达；通过目录交接传递上下文；用 RepoPrompt 生成代码地图并注入；向智能体说明记忆系统。

适用场景

多智能体编排、研究、计划、实现、评审、调试等需要智能体可靠遵循指令的场景。

限制

资料未提供具体安装步骤、依赖要求、平台支持范围、收费信息或价格。部分内容（如 Nia、RP-CLI、Jury）仅以名称出现，未提供详细说明。