PRPs-agentic-eng

GitHub
2.1k 604 简单 1 次阅读 今天语言模型Agent插件
AI 解读 由 AI 自动生成,仅供参考

PRPs-agentic-eng 是一套专为 AI 辅助开发设计的提示词集合与工作流,旨在帮助开发者利用 Claude Code 等智能体高效交付生产级代码。它核心提出了“产品需求提示词(PRP)”概念,将传统的产品需求文档(PRD)升级为包含精确文件路径、代码规范及验证命令的完整指令包,确保 AI 在首次执行时就能理解上下文并输出可运行的软件片段,解决了大模型因缺乏项目语境而频繁产出无效代码或需要反复修正的痛点。

该工具内置了丰富的命令行指令,覆盖从需求分析、方案规划、代码实现到自动调试、Git 提交及代码审查的全流程。其独特的技术亮点在于"Ralph Loop"自主循环机制,能够自动执行任务并持续进行验证修复,直到所有测试通过,极大减少了人工干预。此外,它还支持基于"5 Why"方法的深度根因分析,帮助快速定位复杂问题。

PRPs-agentic-eng 非常适合希望将 AI 真正融入生产环境的工程团队、产品经理及全栈开发者使用。如果你不满足于简单的演示 Demo,而是追求构建稳定、可落地的 AI 工程系统,这套工具能提供标准化的方法论与实操支持,助力团队从 AI 初学者进阶为高效的生产力专家。

使用场景

某电商后端团队需要在现有微服务架构中紧急开发一个“库存预占”功能,要求严格遵循内部代码规范并在一周内上线。

没有 PRPs-agentic-eng 时

  • 开发人员需手动编写冗长的需求文档,AI 因缺乏具体文件路径和库版本信息,生成的代码常出现导入错误或风格不一致。
  • 修复 Bug 依赖人工反复排查,AI 只能提供碎片化建议,无法自动执行验证命令确认修复效果,导致返工率高。
  • 代码提交和 PR 创建过程繁琐,开发者需手动编写提交信息和审查模板,容易遗漏关键上下文,增加 Review 沟通成本。
  • 遇到复杂逻辑时,AI 往往浅尝辄止,缺乏类似"5 Whys"的深度根因分析机制,难以定位隐蔽的系统性缺陷。

使用 PRPs-agentic-eng 后

  • 通过 /prp-prd/prp-implement 命令,AI 直接获取包含精确文件路径、依赖版本及代码模式的 PRP 包,首版代码即可运行且符合团队规范。
  • 利用 /prp-debug/prp-ralph 自主循环,AI 自动执行深度根因分析并反复运行验证命令,直到所有测试通过才停止,大幅减少人工干预。
  • 调用 /prp-commit/prp-pr 可自动生成带有自然语言文件定位的智能提交信息及标准化 PR 模板,显著提升代码审查效率。
  • 面对复杂故障,工具内置的方法论引导 AI 进行层层递进的逻辑推演,快速锁定问题根源并输出可执行的修复方案。

PRPs-agentic-eng 将模糊的需求转化为含上下文的精准指令包,让 AI 从“辅助聊天”进化为能独立交付生产级代码的可靠工程师。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes该工具并非独立的 AI 模型,而是一套用于辅助开发的提示词(Prompts)和工作流脚本集合。其核心运行依赖是 Anthropic 官方的命令行工具 'Claude Code'。用户需自行配置 Git 环境以支持多工作树(worktrees)并行开发功能,并确保项目根目录包含 .claude 配置文件夹。无需本地 GPU、特定显存或安装 PyTorch 等深度学习框架,实际计算由云端 Claude 模型完成。
python未说明
Claude Code (Anthropic CLI)
PRPs-agentic-eng hero image

快速开始

PRP(产品需求提示词)

一套用于 Claude Code 辅助开发的提示词集合。

视频教程

https://www.youtube.com/watch?v=KVOZ9s1S9Gk&lc=UgzfwxvFjo6pKEyPo1R4AaABAg

支持本项目

觉得这些资源很有价值吗?

请我喝杯咖啡: https://coff.ee/wirasm

我花费了大量时间来创建这些资源和提示词。如果您认为这个项目有价值,请考虑请我喝杯咖啡,以支持我的工作。


用 AI 工程工作坊提升您的团队

您准备好从玩具级演示迈向生产就绪的 AI 系统了吗?

预订工作坊: https://www.rasmuswiding.com/

您将获得:

  • 帮助您的团队成为 AI 高效使用者
  • 学习顶尖工程团队使用的精确 PRP 方法论
  • 使用 Claude Code、PRP 和真实代码库进行实战培训
  • 面向团队和个人的从入门到高级的 AI 工程工作坊

适合人群: 希望在生产环境中真正落地 AI 的工程团队、产品团队及开发者

请直接联系我:hello@rasmuswiding.com


什么是 PRP?

产品需求提示词 (PRP) = PRD + 精选代码库情报 + 代理/运行手册

这是 AI 在首次尝试时即可交付生产就绪代码所需的最小可行包。

PRP 为 AI 编码代理提供其完成一个功能模块所需的一切——不多也不少。

PRP 与传统 PRD 的区别

传统 PRD 明确说明产品必须实现的功能以及客户的需求理由,但刻意避免描述具体的实现方式。

而 PRP 则保留了 PRD 中的目标和理由部分,同时增加了对 AI 至关重要的内容:

  • 上下文:精确的文件路径、库版本、代码片段示例
  • 模式:现有代码库中应遵循的规范
  • 验证:AI 可执行的验证命令,以确认其工作成果

快速开始

选项 1:将命令复制到您的项目中

# 从您的项目根目录
cp -r /path/to/PRPs-agentic-eng/.claude/commands/prp-core .claude/commands/

选项 2:克隆仓库

git clone https://github.com/Wirasm/PRPs-agentic-eng.git
cd PRPs-agentic-eng

命令

.claude/commands/prp-core/ 目录包含核心 PRP 工作流命令:

核心工作流

命令 描述
/prp-prd 带实施阶段的交互式 PRD 生成器
/prp-plan 创建实施计划(基于 PRD 或自由文本输入)
/prp-implement 执行带有验证循环的计划

问题与调试工作流

命令 描述
/prp-issue-investigate 分析 GitHub 问题,创建实施计划
/prp-issue-fix 根据调查结果执行修复
/prp-debug 使用“5 个为什么”方法进行深度根因分析

Git 与代码评审

命令 描述
/prp-commit 基于自然语言的智能提交,可指定文件范围
/prp-pr 创建带有模板支持的拉取请求
/prp-review 全面的拉取请求代码评审

自主循环

命令 描述
/prp-ralph 启动自主循环,直至所有验证通过
/prp-ralph-cancel 取消当前的 Ralph 循环

Ralph 循环(自主执行)

基于 Geoffrey Huntley 的 Ralph Wiggum 技术——一种自我参照的循环机制,会不断迭代直到任务真正完成。

工作原理

/prp-ralph .claude/PRPs/plans/my-feature.plan.md --max-iterations 20
  1. Claude 按照计划执行任务
  2. 运行所有验证命令(类型检查、代码风格检查、测试、构建)
  3. 若有任何验证失败 → 修复并重新验证
  4. 循环持续进行,直到所有验证全部通过
  5. 输出 <promise>COMPLETE</promise> 并退出

每次迭代,Claude 都能查看之前的工作成果,包括文件和 Git 历史记录。它并不是从头开始,而是不断调试自身。

设置

停止钩子必须在 .claude/settings.local.json 中配置:

{
  "hooks": {
    "Stop": [
      {
        "hooks": [
          {
            "type": "command",
            "command": ".claude/hooks/prp-ralph-stop.sh"
          }
        ]
      }
    ]
  }
}

使用

# 创建计划
/prp-plan "添加 JWT 用户认证"

# 启动 Ralph 循环
/prp-ralph .claude/PRPs/plans/add-user-auth.plan.md --max-iterations 20

# 如需取消
/prp-ralph-cancel

小贴士

  • 始终使用 --max-iterations 参数(默认值为 20),以防止无限循环
  • 最适用于具有清晰且可测试验证命令的计划
  • 当前状态记录在 .claude/prp-ralph.state.md 文件中
  • 实施过程中的进展和经验总结会保存在实施报告中

工作流概览

大型功能:PRD → 计划 → 实施

/prp-prd "用户认证系统"
    ↓
生成包含实施阶段表的 PRD
    ↓
/prp-plan .claude/PRPs/prds/user-auth.prd.md
    ↓
自动选择下一个待处理阶段,创建计划
    ↓
/prp-implement .claude/PRPs/plans/user-auth-phase-1.plan.md
    ↓
执行计划,更新 PRD 进度,并归档该计划
    ↓
重复 /prp-plan 以处理下一阶段

中型功能:直接进入计划

/prp-plan "为 API 添加分页功能"
    ↓
根据描述创建实施计划
    ↓
/prp-implement .claude/PRPs/plans/add-pagination.plan.md

Bug 修复:问题工作流

/prp-issue-investigate 123
    ↓
分析问题,创建调查文档
    ↓
/prp-issue-fix 123
    ↓
实施修复,并创建拉取请求

文档结构

所有文档都存储在 .claude/PRPs/ 目录下:

.claude/PRPs/
├── prds/              # 产品需求文档
├── plans/             # 实施计划
│   └── completed/     # 已归档的已完成计划
├── reports/           # 实施报告
├── issues/            # 问题调查文档
│   └── completed/     # 已归档的已完成调查
└── reviews/           # 拉取请求评审报告

PRD 阶段

PRD 包含一个实施阶段表,用于跟踪进度:

| #   | 阶段 | 描述 | 状态      | 并行 | 依赖 | PRP 计划 |
| --- | ----- | ----------- | ----------- | -------- | ------- | -------- |
| 1   | 认证  | 用户登录  | 已完成    | -        | -       | [链接]   |
| 2   | API   | API 端点   | 进行中     | -        | 1       | [链接]   |
| 3   | UI    | 前端界面   | 待处理     | 与 4 并行 | 2       | -        |
| 4   | 测试  | 测试套件   | 待处理     | 与 3 并行 | 2       | -        |
  • 状态待处理进行中已完成
  • 并行:可以同时进行的阶段(在不同的工作树中)
  • 依赖:必须先完成的阶段

PRP 最佳实践

  1. 上下文为王:包含所有必要的文档、示例和注意事项。
  2. 验证循环:提供 AI 可以运行并修复的可执行测试或代码检查。
  3. 信息密集:使用代码库中的关键字和模式。
  4. 范围限定:每个计划应能在一次循环内由 AI 完成。

项目结构

your-project/
├── .claude/
│   ├── commands/prp-core/   # PRP 命令
│   ├── PRPs/                # 生成的产物
│   └── agents/              # 自定义子代理
├── PRPs/
│   ├── templates/           # PRP 模板
│   └── ai_docs/             # 库文档
├── CLAUDE.md                # 项目特定指南
└── src/                     # 您的源代码

使用工作树的并行开发

当 PRD 阶段可以并行执行时:

# 阶段 3 和 4 可以同时进行
git worktree add -b phase-3-ui ../project-phase-3
git worktree add -b phase-4-tests ../project-phase-4

# 在每个工作树中运行 Claude
cd ../project-phase-3 && claude
cd ../project-phase-4 && claude

资源

模板(PRPs/templates/)

  • prp_base.md - 全面的 PRP 模板
  • prp_story_task.md - 故事/任务模板
  • prp_planning.md - 计划模板

AI 文档(PRPs/ai_docs/)

为 Claude Code 上下文注入整理的文档。

旧版命令

旧版本的命令保留在 old-prp-commands/ 中,供参考。


许可证

MIT 许可证


支持

我花费了大量时间创建这些资源和提示。如果您觉得这个项目有价值,请考虑请我喝杯咖啡,以支持我的工作。

请我喝杯咖啡: https://coff.ee/wirasm


目标是通过全面的上下文实现一次通过的顺利实施。

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|2天前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|3天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

144.7k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.9k|★★☆☆☆|2天前
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|昨天
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|2天前
语言模型图像Agent