智能体提示词版本1.0，引入逻辑运算简化整理公理和公式推导层面的复杂运算逻辑。这套提示词应该可以把AI复杂的思考逻辑转换为查表和推公式，增加Agent的运行效率，降低成本。@已有项目代码优化指令描述 ai\@.clinerules

实践中，开发者常将代码片段嵌入提示词，利用代码的精确性约束模型行为，形成“代码作为提示词”的混合范式。由于不同语言的语义域可能不同，我们采用模拟关系来定义翻译正确性：存在一个模拟关系连接源语言和目标语言的状态空间，使得对于任何满足该模拟关系的初始状态，执行源程序和目标程序后得到的状态仍满足该模拟关系，且输出可观测值一致。我们定义了静态和动态两类关系，并提炼出六种抽象逻辑映射，进而引入依赖类型理论作

结果中“8888888”被解读为“长长的舌头”，“ftrg”被解读为乱序的“frog”，“34”被解读为“3D+4方向”——这些联想并非来自狗的设计，而是模型在强制解读下的创造性映射。近期一则新闻为这一对比提供了极具启发性的案例：一位前Meta工程师让其宠物犬随机踩踏键盘，将产生的乱码输入给Claude大模型，通过精心设计的提示词迫使模型将无意义字符“解读”为可执行的游戏创意，最终在Godot引擎

大语言模型单次推理的本质是"无状态的 token 映射"——给定一段 prompt，输出一段 token。这种单次映射在"问答"场景足够，但在"任务"场景捉襟见肘：任务需要模型读取环境、采取行动、观察结果、调整策略、验证完成——任何一个环节都需要外部世界的状态反馈，而模型本身不持有状态。弥合"无状态推理"与"有状态任务"之间鸿沟的唯一结构手段，是循环：把模型上一次的输出（含工具调用）作为输入的一部

值得单独指出的是，本文规范将“逻辑正确性”和“消除冗余”这两类命题从强制执行的公理（[AX]）降级为策略标注（[Strategy]）。它不试图限制模型的生成能力，而是通过状态归约、分类-动作分离、分层不变式和L0核心公理，将Agent从“不可预测的试错机”重塑为“状态可观测、错误可隔离、终止可保证”的工程组件。handle(error, Scope)是动作决议器：接收分类结果和当前作用域策略（Sc

当前主流 AI Agent 记忆方案(L0-L3 金字塔、Chat/Skill/Wiki/CodeGraph 四类资产、Team Memory 等)多采用大模型主动储存:由 LLM 在运行中抽取事实、自行决定沉淀什么,框架只在事后做治理。这类方案在长期运行中暴露出一组可复现的风险——图谱膨胀不可控、旧逻辑删不掉、全量加载爆上下文、拼凑式逻辑——其根因不在于"LLM 参与判定"这一行为本身,而在于治

当前主流 AI Agent 记忆方案(L0-L3 金字塔、Chat/Skill/Wiki/CodeGraph 四类资产、Team Memory 等)多采用大模型主动储存:由 LLM 在运行中抽取事实、自行决定沉淀什么,框架只在事后做治理。这类方案在长期运行中暴露出一组可复现的风险——图谱膨胀不可控、旧逻辑删不掉、全量加载爆上下文、拼凑式逻辑——其根因不在于"LLM 参与判定"这一行为本身,而在于治

当前主流 AI Agent 记忆方案(L0-L3 金字塔、Chat/Skill/Wiki/CodeGraph 四类资产、Team Memory 等)多采用大模型主动储存:由 LLM 在运行中抽取事实、自行决定沉淀什么,框架只在事后做治理。这类方案在长期运行中暴露出一组可复现的风险——图谱膨胀不可控、旧逻辑删不掉、全量加载爆上下文、拼凑式逻辑——其根因不在于"LLM 参与判定"这一行为本身,而在于治

值得单独指出的是，本文规范将“逻辑正确性”和“消除冗余”这两类命题从强制执行的公理（[AX]）降级为策略标注（[Strategy]）。它不试图限制模型的生成能力，而是通过状态归约、分类-动作分离、分层不变式和L0核心公理，将Agent从“不可预测的试错机”重塑为“状态可观测、错误可隔离、终止可保证”的工程组件。handle(error, Scope)是动作决议器：接收分类结果和当前作用域策略（Sc

基于已有代码的问题分析与修复需求，首先识别代码中的通用模式或重复逻辑，随后对代码结构进行优化重构，以提升可维护性与可读性，同时确保功能不变。var 参数1 = TCheckWithDescription<类型1>(paramList[0], "“函数名参数1"”);var 参数2 = TCheckWithDescription<类型2>(paramList[1], "“函数名参数2"”);List