以 coding agent 或规格驱动开发完成一轮开发后，仓库常沉积阶段标记、过程叙事与一次性报告，其与设计理由、协议约束等持久工程知识混杂，误删代价高于噪声留存。既有工具多基于引用图分析，diff 作用域的 AI slop 清理工具则以删除为主。RepoMeld 以审计与应用间的阶段屏障约束改动顺序，按语义边界分片，以 L0-L5 风险分级限定自动范围，迁移持久工程知识，注释补写列为一等动作，默认保留未完成 TODO，以独立上下文验证 diff，不绑定运行时。其范围限于元数据、注释、文档与非运行时产物，效果取决于宿主模型能力。

工程约束要生效，先要能被编码 Agent 正确消费。本文沿载体、协作与本地化三条线整理可执行做法。载体侧梳理 AGENTS.md 的就近优先规则与各编码工具的加载与注入机制，给出按对象区分的行数上限与写、不写的判据，并论证流程说明应避免 ASCII 字符图，改用拍平后语义仍可唯一还原的结构。协作侧以 Anthropic 的 token 倍数、子代理的上下文与描述告警、Cognition 的反方观点为坐标，给出结论进主对话、证据留在子代理的审查协议。本地化侧给出把工程原则转化为项目规则的提示词流程与验收方式。

大语言模型对“不要 X”一类否定约束的遵循并不稳定，这类写法还会把被禁内容本身送进上下文；副词与套话则是机器文风里可指认的两类迹象。把模糊要求改写成可核验的具体约束，是两条线索共同的做法，指令层用正向表述、替代方案与可判定指标替换否定，文风层用一份成文的中文规范逐条约束。本文整理否定指令的失效机制与改写方法、副词与套话的证据边界，并以一份长期维护的中文文风提示词为样本，拆解其规则骨架与维护方式。文中的机制解释属工程观察与简化模型，证据边界处在原处标注，效果需以对比测试验收。

本文讨论一套面向企业应用的多模型路由网关方案。系统沿用现有模型接口，在网关内部完成请求规范化、上下文整理、能力需求识别、模型选择、供应商适配、结果校验和故障回退。路由器不直接预测模型名称，而是判断任务需要的基础能力及难度，再结合模型能力画像、接口支持、成本、延迟和合规限制完成选模。文章同时说明了上下文管理、能力维度设计、模型评测、轻量路由模型选型、训练数据构造、策略引擎和数据闭环等关键环节，并列出仍需通过企业内部数据验证的问题。

本社团课程专为零基础新生设计，旨在揭开大模型的神秘面纱。我们将从核心原理出发，让你理解AI并非无所不能的“神”，而是一个有“脾气”的强大工具。课程将系统教授上下文管理、提示词工程（R-T-F-E公式）等实用技巧，并展示AI在编码、创意领域的应用。最终，你将学会如何根据任务需求，在众多开源与闭源模型中做出明智选择，成为一名高效、理性的AI使用者，真正将AI融入学习与工作流。

一种基于LLM Agent的瀑布模型Agent模拟实现方案，通过LLM Agent分别扮演不同角色，并按照瀑布模型的阶段划分任务

本文记录了一些自己常用的大模型提示词。