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。

给模型一句模糊目标就动手，产出的代码通常与真实意图错位；先写 spec 再执行，也可能以最快速度实现无人需要的功能。两类失败的成因都是目标没有在动手之前对齐。本文把“对话-计划-分条-执行”整理为一条对齐路线：对话阶段用追问与反向访谈问出真实约束，计划阶段写定验收标准与执行顺序，分条阶段按依赖与接口切分，执行阶段交给模型自主循环。本文结合 Lost in the Middle、context rot、GitClear、DORA 等公开数据，说明对齐为何要发生在上下文预算最充裕的时候，并给出失效方式与不划算条件。

分析OpenClaw等自治型代理面临的间接提示词注入隐患。由于推理层难以隔离外部不可信数据与系统级指令，攻击者可利用隐蔽文本诱导代理越权调用执行工具或污染持久化状态。防御策略需脱离单一的模型对齐，在架构层面重构信任边界。系统应综合部署输入数据封装、高危操作人工验证、容器化环境隔离、最小化细粒度权限分配与强制记录审计日志，以此限制控制流失陷后的基础破坏域。

A waterfall model Agent simulation implementation based on LLM Agent, where different roles are played by LLM Agent respectively, and tasks are divided according to the stages of the waterfall model.

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