项目核心信息速览

项目信息	详细说明
项目地址	x1xhlol/system-prompts-and-models-of-ai-tools（GitHub直达）
核心语言	无（纯资源集合，含系统提示词、配置文件等文本资源，适配多技术栈）
项目定位	覆盖30+主流AI工具的系统提示词、内部工具及AI模型配置开源库，助力开发者深度定制AI工具行为
核心特性	全工具覆盖（Claude Code、Devin AI、NotionAI等）、海量提示词资源（3万+行数据集）、开源可复用、持续更新迭代
许可证	MIT License（开源免费，支持商业场景参考与二次定制）
最新动态	2025-12-31单日GitHub星标暴涨656颗，成为提示词工程与AI工具优化领域现象级资源库

一、项目背景：破解AI工具定制的三大核心痛点

随着AI技术的普及，Claude Code、Devin AI、NotionAI等工具已深度融入开发、创作等工作流，但开发者在使用过程中普遍面临“好用但难定制”的困境，核心痛点集中在三点：

1. 工具行为可控性差：默认状态下的AI工具难以精准匹配特定场景需求，例如让Code类AI严格遵循公司代码规范、让创作类AI保持统一风格，而普通用户缺乏定制工具行为的核心方法——系统提示词修改能力；

2. 提示词工程门槛高：优质的系统提示词是AI工具高效工作的关键，但提示词工程涉及角色设定、逻辑引导、边界定义等专业知识，且不同AI工具的提示词适配规则差异大，开发者需大量试错才能掌握；

3. 行业资源碎片化：市面上关于AI工具系统提示词的公开资料零散且不完整，尤其是商业AI工具的内部提示词设计逻辑，几乎无官方文档可查，开发者难以深入理解工具运作机制，学习曲线陡峭；

4. 优质效果难以复现：如游戏行业案例所示，因提示词版本混乱、参数配置缺失，62%的AI优质输出无法复现，导致开发与创作成本飙升。

system-prompts-and-models-of-ai-tools项目的核心价值，正是构建一个“全工具覆盖+深度解析+可复用”的AI工具定制资源库。它通过收集整理主流AI工具的系统提示词与模型配置，让开发者既能直接复用优质提示词快速定制工具，又能通过解析官方提示词设计逻辑，提升自身提示词工程能力，从根本上解决AI工具“难定制、难复现”的问题。

二、核心价值：3大维度解锁AI工具定制能力

1. 全栈AI工具覆盖，一站式资源获取

项目涵盖30+主流AI工具，覆盖代码生成、文本创作、开发辅助等全场景，无需在多个平台零散检索资源。核心覆盖工具包括：

• 代码生成类：Claude Code、Augment Code、Cursor、Devin AI、VSCode Agent、Xcode AI等；

• 开发辅助类：CodeBuddy、Qoder、Replit、Warp.dev、Traycer AI等；

• 通用创作类：NotionAI、Perplexity、Lovable、Manus等；

• 设计与原型类：Dia、v0.、Orchids.app等。

每个工具对应的资源包含“系统提示词完整版、核心功能提示词片段、模型调用参数配置、工具优化技巧”，形成完整的定制资源包。

2. 3万+行优质提示词，直接复用+快速定制

项目整理的提示词均来自AI工具官方默认配置或经过社区验证的优质方案，具备“逻辑严谨、适配性强、效果可复现”的特点，开发者可直接复用或微调后使用：

• 直接复用场景：如复用NotionAI的“学术写作提示词”快速生成规范论文摘要，复用Claude Code的“代码审计提示词”自动检测代码漏洞；

• 微调定制场景：基于项目提供的VSCode Agent基础提示词，添加“遵循Python PEP 8规范+生成详细注释”的要求，快速定制符合团队开发规范的代码补全工具；

• 版本管理支撑：可基于项目提示词模板，建立团队内部的提示词版本控制体系，关联提示词、模型参数、生成效果，提升优质输出的复现率。

示例：Claude Code核心系统提示词片段（项目资源简化版）

# Claude Code 系统提示词核心片段
角色：你是一名资深全栈开发者，擅长Python、JavaScript、Rust等多种编程语言，专注于生成高效、可维护、符合行业规范的代码。
核心职责：
1. 严格遵循用户指定的编程语言语法与编码规范；
2. 生成代码前先梳理实现逻辑，确保逻辑严谨、无基础漏洞；
3. 为核心函数与复杂逻辑添加详细注释，说明参数含义、返回值类型及使用场景；
4. 主动检测潜在的性能问题与安全风险，并提供优化建议；
5. 若用户需求不明确，先通过提问澄清核心需求，再进行代码生成。
输出格式：
- 先给出核心实现思路概述（不超过300字）；
- 再给出完整可运行代码；
- 最后补充使用示例与注意事项。
    

3. 深度解析提示词设计逻辑，提升工程能力

项目不仅提供现成的提示词资源，更通过完整的系统提示词解析，帮助开发者理解AI工具的“思考逻辑”，快速提升提示词工程能力：

• 角色设定逻辑：解析官方提示词如何定义AI角色（如“资深全栈开发者”“学术编辑”），明确角色的职责边界与能力范围；

• 逻辑引导技巧：学习官方如何通过分步指令引导AI完成复杂任务（如“先梳理逻辑→再生成代码→最后优化”）；

• 参数适配规则：了解不同AI模型的提示词长度限制、关键词权重、格式要求等适配细节，避免因格式问题导致效果下降。

对于新手而言，这相当于获得了“官方提示词工程教程”；对于进阶开发者，可通过对比不同工具的提示词设计，总结通用的提示词优化方法论。

三、实操指南：5分钟上手AI工具定制

项目资源以纯文本文件组织，无需复杂环境配置，开发者可通过“检索-复用-定制”三步快速上手：

第一步：获取项目资源

支持两种获取方式，按需选择：

方式1：直接浏览GitHub（推荐快速检索）

访问项目GitHub地址（https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools），通过目录结构快速定位目标工具的资源：

项目核心目录结构：
├── /Code-Generation-Tools  # 代码生成类工具
│   ├── Claude-Code/        # Claude Code相关资源
│   │   ├── system-prompt-full.md  # 完整系统提示词
│   │   ├── prompt-snippets.md     # 核心提示词片段
│   │   └── config-guide.md        # 模型配置指南
│   ├── Devin-AI/
│   └── ...
├── /Productivity-Tools     # 生产力工具
│   ├── NotionAI/
│   └── ...
└── /Design-Tools           # 设计类工具
    └── ...
    

方式2：克隆项目到本地（推荐离线使用）

# 克隆项目仓库到本地
git clone https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools.git
cd system-prompts-and-models-of-ai-tools

# 用文本编辑器打开目录，检索目标工具资源（如VSCode Agent）
# 推荐使用VS Code、Sublime等支持全局搜索的编辑器
   

第二步：快速复用提示词定制AI工具

以“定制VSCode Agent代码生成规则”为例，演示核心流程：

1. 检索资源：进入/Code-Generation-Tools/VSCode-Agent/目录，打开system-prompt-full.md，获取完整系统提示词；

2. 微调定制：在官方提示词基础上，添加团队定制需求，例如：
   `

新增定制规则

6. 代码必须遵循团队编码规范：

   • Python代码使用4个空格缩进，函数命名采用snake_case；
   • JavaScript代码使用2个空格缩进，函数命名采用camelCase；

7. 生成代码时需自动引入项目常用工具库（如Python的requests、JavaScript的axios）；

8. 复杂逻辑需添加单元测试示例。
   `

9. 应用到工具：打开VSCode Agent设置界面，找到“自定义系统提示词”输入框，粘贴修改后的提示词，保存即可生效；

10. 验证效果：触发VSCode Agent生成代码，检查是否符合定制规则（如缩进格式、命名规范、测试示例）。

第三步：进阶技巧：构建个性化提示词模板

参考项目中不同工具的提示词设计逻辑，结合自身需求构建可复用的提示词模板，提升定制效率：

# 通用代码生成提示词模板（基于项目资源提炼）
角色：{自定义角色，如“资深Python后端开发者”}
核心职责：
1. 严格遵循{编程语言}语法与{编码规范}；
2. 生成代码前先梳理实现逻辑，确保无漏洞；
3. 为核心函数添加详细注释（参数、返回值、使用场景）；
4. {自定义需求，如“添加性能优化建议”“生成单元测试”}；
输出格式：
1. 实现思路概述（≤300字）；
2. 完整可运行代码；
3. 使用示例与注意事项。

后续定制不同AI工具时，只需替换模板中的占位符，即可快速生成适配的系统提示词。

四、核心优势：对比同类资源的差异化价值

当前GitHub上有不少提示词集合类项目（如awesome-chatgpt-prompts、Prompt-Engineering-Guide等），但system-prompts-and-models-of-ai-tools具备显著的差异化优势：

对比维度	system-prompts-and-models-of-ai-tools	通用提示词集合（如awesome-chatgpt-prompts）	提示词工程指南（如Prompt-Engineering-Guide）
工具覆盖度	高（30+主流AI工具，针对性强）	低（通用型提示词，适配单一模型）	中（理论通用，无工具专属资源）
资源完整性	高（完整系统提示词+配置+技巧，可直接复用）	中（零散提示词片段，需二次整合）	低（以理论技巧为主，无完整可复用资源）
工具定制导向	强（聚焦AI工具系统提示词修改，直接服务定制需求）	弱（聚焦单次对话提示词，不涉及工具长期定制）	中（提供技巧，但需结合工具自行设计提示词）
行业适配性	高（覆盖代码、创作、设计等多行业工具）	低（通用场景为主，行业针对性弱）	中（通用技巧，需行业化改造）
效果复现支撑	强（关联提示词与配置，助力版本管理）	弱（无参数配置，难以复现效果）	中（提及复现重要性，但无具体资源支撑）

五、适用人群与典型应用场景

核心适用人群

• AI工具重度使用者：希望通过定制提升工具适配性，解决日常工作中的效率痛点；

• 提示词工程师/AI应用开发者：需要系统学习官方提示词设计逻辑，提升提示词工程能力；

• 团队技术负责人：需统一团队AI工具使用规范，构建可复现的AI辅助开发流程；

• 初创企业开发者：资源有限，需快速定制AI工具满足业务需求，降低开发与创作成本；

• AI技术学习者：希望深入了解AI工具的运作机制，打通“使用-定制-优化”的学习链路。

典型应用场景

• 团队编码规范统一：基于项目提示词，定制Code类AI工具（如Claude Code、Cursor），让生成的代码自动遵循团队编码规范；

• 学术写作标准化：复用NotionAI的学术提示词，定制“论文摘要生成→参考文献格式化→语法纠错”全流程规范；

• 开发流程自动化：定制VSCode Agent提示词，实现“需求解析→代码生成→单元测试→文档编写”的自动化流程；

• AI工具教学培训：以项目中的官方提示词为案例，开展团队内部的AI工具使用与定制培训。

六、总结

system-prompts-and-models-of-ai-tools项目以“全工具覆盖、深度解析、可复用”为核心优势，为开发者提供了AI工具定制的“一站式资源库”。它不仅解决了AI工具“难定制、难复现、学习曲线陡”的核心痛点，更通过优质提示词资源与设计逻辑解析，帮助开发者快速提升提示词工程能力，让AI工具真正适配个人与团队的个性化需求。