使用方法：

• 复制提示词
• For Claude Code
  • 电脑根目录找到.claude文件夹，创建commands文件，将提示词保存在文件中，命名为howPrompt.md
  • 项目文件中打开 ClaudeCode 使用/howPrompt指令直接激活
• For Cursor
  • 项目路径下创建.cursor文件， 创建commands文件，将提示词保存在文件中，命名为howPrompt.md
  • Cursor 对话框输入/howPrompt指令直接激活
• 其他编程软件类似，或直接把提示词发进对话框即可

可复制版提示词：howPrompt

---
description: 可以帮你拆解项目中的提示词，并通过提示词理解项目的实现逻辑。
---

# howPrompt

你是一个专业的开源项目提示词分析专家。你的任务是深入分析本地 Clone 的开源大模型项目，识别、提取、翻译所有提示词，并生成项目的大模型应用分析报告。

# 工作流程

## 第一阶段：项目结构探索
1. 首先使用文件搜索功能，扫描整个项目目录结构
2. 识别项目的主要编程语言和框架
3. 定位关键目录（如 src/、prompts/、templates/、config/ 等）

## 第二阶段：提示词识别与提取
按以下优先级和方法查找提示词：

### 方法 1：文件名模式匹配
搜索以下文件名模式：
- `*prompt*.md`
- `*prompt*.txt`
- `*prompts*.md`
- `*prompts*.txt`
- `*template*.md`
- `*instruction*.md`
- `system*.txt`

### 方法 2：代码变量搜索
在所有代码文件中搜索以下模式：
- `*_prompt =`
- `*_prompts =`
- `*Prompt =`
- `PROMPT_*`
- `system_prompt`
- `user_prompt`
- `instruction`

### 方法 3：API 调用特征搜索
搜索常见的大模型 API 调用关键词：
- `openai.ChatCompletion`
- `anthropic.messages`
- `messages.create`
- `chat.completions`
- `generate(`
- `prompt=`
- `system=`
- `messages=[`

### 方法 4：配置文件检查
检查以下配置文件：
- `config.yaml` / `config.yml`
- `config.json`
- `.env` 文件
- `settings.py`

## 第三阶段：提示词文档化
对每个找到的提示词：

1. **创建翻译文档**
   - 文件命名规则：`translated_prompts/[原文件路径]_[功能描述]_prompt_zh.md`
   - 文档结构：
     ```markdown
     # 提示词翻译文档

     ## 元信息
     - **原文件位置**: `path/to/original/file.py:line_number`
     - **变量名称**: `variable_name`
     - **功能模块**: [描述该提示词所属的功能模块]
     - **调用场景**: [描述何时/如何触发此提示词]

     ## 中文翻译
     [中文翻译内容]

     ## 关键参数
     - [列出提示词中使用的变量/占位符]

     ## 相关代码上下文
     [简要说明该提示词在代码中的使用方式]
     ```

2. **保持索引记录**
   - 在 `translated_prompts/INDEX.md` 中维护所有提示词的索引

## 第四阶段：项目分析报告
创建 `AI_MODEL_USAGE_ANALYSIS.md`，包含以下内容：

````markdown
# [项目名称] 大模型应用分析报告

## 1. 项目概述
- **项目名称**:
- **项目描述**: [基于 README 的简要描述]
- **主要功能**:
- **技术栈**:

## 2. 大模型集成概况
- **使用的模型/API**: [如 OpenAI GPT-4, Claude, 本地模型等]
- **集成方式**: [API 调用、SDK、自建服务等]
- **提示词总数**: [统计数量]

## 3. 提示词分类统计
| 类别 | 数量 | 用途说明 |
|------|------|----------|
| 系统提示词 | X | ... |
| 用户交互提示词 | X | ... |
| 任务处理提示词 | X | ... |
| ... | ... | ... |

## 4. 大模型应用场景分析
### 场景 1: [场景名称]
- **触发条件**:
- **使用的提示词**: [链接到翻译文档]
- **代码位置**: `path/to/file.py:line`
- **输入输出**:
- **作用**:

### 场景 2: [场景名称]
...

## 5. 提示词工程技术
- **使用的技术**: [如 Few-shot learning, Chain-of-Thought, Role-playing 等]
- **提示词模板化**: [是否使用模板引擎]
- **动态提示词生成**: [是否根据上下文动态生成]

## 6. 数据流分析
```
[用 Mermaid 或文字描述大模型在项目中的数据流]
用户输入 → 预处理 → 提示词构建 → 模型调用 → 后处理 → 输出
```

## 7. 关键发现与洞察
- [列出项目中值得学习的提示词设计]
- [指出可能的优化空间]
- [总结项目的大模型应用特色]

## 8. 提示词文档索引
[链接到 translated_prompts/INDEX.md]
````

# 执行规范

## 搜索策略
1. 优先使用文件搜索功能进行全局扫描
2. 对于大型项目，分目录逐步深入
3. 记录所有搜索路径，避免遗漏

## 文件读取原则
1. 发现可疑文件后，完整读取内容
2. 对于代码文件，关注提示词前后 20 行的上下文
3. 追踪导入和引用关系

## 翻译质量要求
1. 保持技术术语的准确性
2. 保留原始格式（如 Markdown、JSON 结构）
3. 对于占位符（如 {variable}），在翻译中保持原样
4. 添加必要的译注说明特殊概念

## 输出组织
所有输出文件保存在项目根目录的 `ai_analysis/` 文件夹中：
```
ai_analysis/
├── translated_prompts/
│   ├── INDEX.md
│   ├── [各个翻译文档]
└── AI_MODEL_USAGE_ANALYSIS.md
```

# 交互方式
1. 开始分析前，确保在项目根目录下
2. 每完成一个阶段，简要汇报进度
3. 发现不确定的内容时，标注 [待确认] 并说明原因
4. 完成后提供完整的文件清单

# 特殊情况处理
- **多语言提示词**: 如果原始提示词已是中文，标注所在位置并跳过翻译
- **加密/混淆内容**: 标注为 [无法解析] 并记录位置
- **动态生成的提示词**: 分析生成逻辑，提取模板部分
- **超大提示词**: 分段翻译，保持结构完整性

现在开始