摘要

本文基于视频中提出的「GLM Mythos」思想，系统拆解如何通过「模型 + 系统提示词 + 终端工作流 + GSD 思维 + 前端设计能力」组合，把一款便宜但能力强的模型打造成接近旗舰体验的编码 Agent。文中给出可复用的系统 Prompt、工作流设计，并提供基于（xuedingmao.com）的一套完整 Python 调用示例，帮助你快速在本地重现一个可落地的 Mythos 风格开发助手。

一、背景介绍：从“堆模型参数”到“设计工作流”

最近关于 “Claude Mythos / 神话版” 的讨论很多，关键词基本都是：

  • 更强的代码能力
  • 更好的长任务规划
  • 更稳定的多步骤 Agent 行为

但视频的核心观点其实很反常识：

真正拉开“普通助手”和“变态强助手”差距的，不只是模型 checkpoint，而是：系统 Prompt、工作流层、工具集成、以及防上下文腐烂（context rot）的设计。

换句话说：
你可以不买天价企业版，也能自己搭一个“神话级”工作流。

视频中把这个组合叫做 GLM Mythos，它不是某个隐藏模型，而是一套栈：

  • 引擎层：GLM 5.1（强但便宜的基础模型）
  • 载体层：Kilo CLI / 终端工具（提供“Agent 身体”）
  • 约束层：King Mode 系统 Prompt（强制模型不偷懒）
  • 品味层：前端设计 Skill Prompt（让界面可直接上线）
  • 反混乱层：GSD 工作流（Get Shit Done）（保证任务真的完成，而不是只生成代码片段）

在国内开发环境下，你可以用任何 OpenAI 兼容的 API 实现同样的栈。下面我用 薛定猫 AI（xuedingmao.com） 来举例，演示如何在本地完成一套接近视频中的“GLM Mythos”工作流。

二、核心原理：GLM Mythos 的设计要点

1. 模型不是产品，工作流才是产品

视频中强调了一个非常重要的认知：

  • “高级模型质量”并不等于“参数更多、训练更贵”
  • 很多时候体验差异，来自：
    • 系统级 Prompt（system prompt）
    • 任务分解逻辑（decomposition）
    • 记忆/状态管理（memory）
    • 工具/终端集成
    • 上下文防腐策略（防止 context rot）

因此 Mythos 的目标是：
在不更换模型 checkpoint 的前提下，通过工程手段把模型“放大”为更稳定、更可控的 Agent。

2. King Mode：让模型“有纪律”，而不是“更聪明”

King Mode 本质上是一套系统提示词（system prompt），核心作用：

  • 明确角色：面向代码重构 / 项目搭建 / 长任务执行的工程 Agent
  • 强制步骤化：先计划、再执行、再验证、再总结
  • 禁止偷懒：不允许“含糊回答”“你可以自己查文档”式输出
  • 明确失败条件：当信息不足时必须要求补充，而不是胡编

关键点：King Mode 不会让模型“更聪明”，而是让它“更自律”。
在 GLM 5.1 这类本身偏 Agent 风格的模型上，效果会非常明显：

  • 不乱闲聊，自动进入“任务模式”
  • 更愿意重试、调试、查找错误

3. GSD（Get Shit Done）：从“生成代码”到“生成功能”

GSD 思维强调：

  • 验证目标是“功能是否完成”，而不是“代码是否生成”
  • 对于一个任务，至少需要验证：
    • 能否正常运行（编译 / 测试通过）
    • 关键用户路径是否闭环（登录、保存、状态持久等）
    • 边界情况是否能自洽（空列表、错误状态）

在实践中，你可以用类似这样的小循环：

  1. 让模型先输出任务拆分清单
  2. 针对每一步生成/修改代码
  3. 引导模型设计验证脚本/测试用例
  4. 把运行日志/错误输出回灌给模型
  5. 直到功能真正可用，而不是“看起来写完了”

4. 前端设计 Skill Prompt：避免“AI 缺德 UI”

视频里特别提到：
普通 LLM 做界面时，常常生成：

  • 黑白配色 + 随便一个灰色按钮
  • 默认字体 / 间距
  • 一眼看上去“AI 味儿”的粗糙界面

所谓前端设计 Skill Prompt，就是在系统层告诉模型：

  • 要考虑视觉层级（Hierarchy）
  • 要考虑排版（Typography）：字号、行高、对齐方式
  • 要考虑节奏与留白（Spacing Rhythm）
  • 要给出可上线的样式而非占位符

这其实是一种“嵌入式设计规范”，对使用 Tailwind / Ant Design / Chakra UI 等库的项目尤为有效。

三、实战演示：用中转站 AI 快速搭一套“本地 Mythos Agent”

下面用 Python + 薛定猫 AI 的 OpenAI 兼容 API，演示一个最小可用的 Mythos 风格编码 Agent。
默认模型使用：claude-sonnet-4-6（你也可以替换为自己偏好的模型 ID）。

3.1 安装依赖

pip install openai python-dotenv

3.2 环境变量配置

在项目根目录创建 .env：

XUEDINGMAO_API_KEY=你的_API_Key
XUEDINGMAO_BASE_URL=https://xuedingmao.com/v1

3.3 定义 Mythos 系统 Prompt

# mythos_prompts.py

KING_MODE_SYSTEM_PROMPT = """
你是一个“有纪律的资深工程 Agent”，专注于：
- 中大型代码改造
- 新功能从 0 到 1 搭建
- 长任务的规划与持续迭代

请严格遵守：
1. 先思考，后输出。所有任务必须先给出“分步计划”，再执行。
2. 禁止含糊：不要说“也许”“可能”“你可以自己查文档”一类话。
3. 对于代码相关任务，输出结构必须包含：
   - PLAN: 任务拆分
   - IMPLEMENT: 具体代码（标明文件路径）
   - VERIFY: 如何验证功能完成（命令 / 测试用例 / 手工步骤）
4. 当信息不足时，必须列出需要澄清的问题，而不是胡乱假设。
5. 你更倾向于重构和改进，而不是一次性“写完就走”。

你的目标不是“回答问题”，而是“让功能真正可用”。
"""

FRONTEND_DESIGN_SKILL_PROMPT = """
你具备资深前端设计能力。对于 UI 相关任务：

- 必须考虑：
  - 信息层级（层级清晰、主次分明）
  - 排版（字体大小、行高、对齐方式）
  - 视觉节奏（间距、行距、块之间的留白）
- 输出组件/页面时：
  - 使用一致的设计系统（例如 Tailwind 的 spacing/typography 规范）
  - 避免默认黑白 + 无脑灰色按钮
  - 给出可直接上线的样式，而非“TODO: beautify UI”

在给出代码前，请简要说明你的视觉决策（例如：为什么使用某个布局 / 配色 / 字号）。
"""

GSD_WORKFLOW_PROMPT = """
你正在执行 GSD（Get Shit Done）工作流：

- 目标：完成一个“可用的功能”，而不是“几段代码”。
- 对每次迭代，你需要：
  1）明确当前子目标
  2）说明你要修改/新增的文件
  3）给出变更内容
  4）给出我应该执行的验证步骤（命令、预期结果）
  5）等待我把实际运行结果 / 错误日志反馈给你，再继续调整

请用“GSD-STEP”小节显式标注当前迭代步骤。
"""

3.4 核心调用代码：本地 Mythos Agent

# mythos_agent.py

import os
from dotenv import load_dotenv
from openai import OpenAI

from mythos_prompts import (
    KING_MODE_SYSTEM_PROMPT,
    FRONTEND_DESIGN_SKILL_PROMPT,
    GSD_WORKFLOW_PROMPT,
)

load_dotenv()

# 初始化 OpenAI 兼容客户端（指向薛定猫 AI）
client = OpenAI(
    api_key=os.getenv("XUEDINGMAO_API_KEY"),
    base_url=os.getenv("XUEDINGMAO_BASE_URL", "https://xuedingmao.com/v1"),
)

MODEL_NAME = "claude-sonnet-4-6"  # 默认模型，可替换为其他已开通的模型 ID


def build_mythos_system_message(
    need_frontend: bool = False,
    enable_gsd: bool = True,
) -> str:
    """
    根据当前任务类型动态组合系统 Prompt：
    - King Mode：基础纪律约束
    - Frontend Skill：需要 UI 设计时启用
    - GSD：需要完整功能闭环时启用
    """
    parts = [KING_MODE_SYSTEM_PROMPT]

    if need_frontend:
        parts.append(FRONTEND_DESIGN_SKILL_PROMPT)

    if enable_gsd:
        parts.append(GSD_WORKFLOW_PROMPT)

    return "\n\n".join(parts)


def mythos_chat(
    user_task: str,
    need_frontend: bool = False,
    enable_gsd: bool = True,
) -> str:
    """
    调用薛定猫 AI 的 Chat Completion，执行一次 Mythos 风格对话。

    :param user_task: 用户的任务描述（例如：实现某个功能）
    :param need_frontend: 是否需要前端设计能力
    :param enable_gsd: 是否使用 GSD 工作流结构
    :return: 模型输出的文本
    """
    system_prompt = build_mythos_system_message(
        need_frontend=need_frontend,
        enable_gsd=enable_gsd,
    )

    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=[
            {"role": "system", "content": system_prompt},
            {
                "role": "user",
                "content": user_task,
            },
        ],
        temperature=0.2,   # 偏低温度，增强可控性
    )

    return response.choices[0].message.content


if __name__ == "__main__":
    """
    示例：让 Mythos Agent 生成一个带基础 UI 的“电影收藏小工具”：
    - 支持登录
    - 可以保存/删除电影
    - 状态可持久（哪怕列表为空也有合理展示）
    """
    user_task = """
我想用 React + Tailwind 做一个简单的“电影收藏”单页应用：
- 用户可以用邮箱+密码伪登录（前端本地模拟，不接真实后端）
- 可以搜索电影并添加到“收藏列表”
- 收藏列表支持删除
- 页面要有：
  - 顶部导航（应用名 + 登录状态）
  - 左侧搜索区域
  - 右侧收藏列表
- 空列表时要有合理的空状态文案和视觉设计

请按你的 King Mode + GSD 工作流来执行：
- 先给出 PLAN
- 再给出关键组件的实现代码（标明文件名）
- 再给出我在终端需要执行的验证步骤
"""

    output = mythos_chat(
        user_task,
        need_frontend=True,   # 需要前端设计能力
        enable_gsd=True,      # 使用 GSD 工作流
    )

    print(output)

说明：

  • 这段代码已经可以直接运行，只需替换 .env 中的 XUEDINGMAO_API_KEY；
  • Mythos Agent 会按照我们设计的系统 Prompt：
    • 先输出任务拆分（PLAN）
    • 再输出带 UI 设计说明的 React+Tailwind 代码
    • 再给出 npm 命令 / 验证步骤
  • 你可以把运行错误（例如编译失败、TypeScript 报错）再喂回去，形成视频里所说的“长任务迭代”。

四、注意事项与实践建议

1. 这不是魔法，垃圾需求照样出垃圾结果

  • 如果你的需求描述模糊：
    • “帮我做个管理后台，漂亮一点就行”
  • 模型再强、工作流再精巧，也只能无限脑补。

实践建议：
在给 Mythos Agent 输入任务时，把自己当产品经理，至少写清楚：

  • 核心用户路径（登录 / 操作 / 结果）
  • 关键约束（技术栈、浏览器支持、性能要求）
  • 验收标准（能算作“完成”的条件）

2. 不要对所有小任务都开“全神装”模式

视频中明确提醒：

  • 重命名变量、调个按钮颜色，不要套整套 Mythos 栈
  • 这类小任务直接调用轻量模型快速改就够了

合理用法：

  • 小变更：直接对话 / 轻量系统 prompt
  • 中大型改造 / 新功能：King Mode + GSD +（可选）前端设计

3. 合理选择模型与平台

在工程实践中，模型质量只是一个维度，更现实的问题是：

  • 模型更新速度如何？
  • 能否一次接入，多模型切换？
  • API 是否兼容主流 SDK / 客户端？

（xuedingmao.com）对开发者比较友好的点在于：

  • 聚合 500+ 主流大模型：包括 GPT-5.4、Claude 4.6、Gemini 3 Pro 等；
  • 新模型几乎是实时首发，可以第一时间尝试最新能力；
  • 对外暴露的是 OpenAI 兼容接口：
    • 只要替换 base_url + api_key，几乎不用改现有代码；
    • 对于需要同时调用多家模型的 Agent/评估/重排场景，集成成本非常低。

在搭建类似 Mythos 这种“强工作流 + 多模型组合”的系统时，统一的 API 层可以显著降低后期维护成本。

五、技术资源与延伸方向

如果你想把本文的 Demo 往更实用方向扩展，可以考虑：

  1. 增加文件读写工具
    • 结合本地文件系统，允许 Agent 直接修改项目代码
  2. 集成测试执行工具
    • 让 Agent 自动运行 pytest / vitest / playwright 等，并解析结果
  3. 引入简单的记忆机制
    • 把关键设计决策写入一个 DECISIONS.md，每轮对话前注入上下文，避免“遗忘历史选择”
  4. 多模型分工
    • 便宜模型负责：代码搜索/重命名/格式化
    • 强模型负责：架构设计/复杂调试/跨文件大改造

这些都可以基于薛定猫 AI 的统一接口实现，不需要针对每家厂商单独写一套 SDK 封装。

小结

通过 GLM Mythos 思路可以看到：
真正的“超模体验”，是模型 + Prompt + 工具 + 工作流的系统工程，而不是单纯买最贵的订阅。

落到代码层面，你完全可以：

  1. 选一个性价比高的模型（如薛定猫 AI 上的 claude-sonnet-4-6 / 其他你熟悉的模型）
  2. 用 King Mode 强化“纪律性”
  3. 用 GSD 工作流，确保从“生成代码”走向“交付功能”
  4. 用前端设计 Prompt，让产出的 UI 更“能见人”

做到这一点，你的三美元 Agent，体验上会非常接近现在宣传中的“神话版”。

#AI #大模型 #Python #机器学习 #技术实战

# 人工智能
Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区