[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-coleam00--context-engineering-intro":3,"tool-coleam00--context-engineering-intro":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","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。\n\n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。\n\nOpenClaw 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",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":106,"forks":107,"last_commit_at":108,"license":109,"difficulty_score":32,"env_os":110,"env_gpu":110,"env_ram":110,"env_deps":111,"category_tags":115,"github_topics":78,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":136},9823,"coleam00\u002Fcontext-engineering-intro","context-engineering-intro","Context engineering is the new vibe coding - it's the way to actually make AI coding assistants work. Claude Code is the best for this so that's what this repo is centered around, but you can apply this strategy with any AI coding assistant!","context-engineering-intro 是一个专为提升 AI 编程助手效能而设计的开源模板项目。它核心倡导“上下文工程”理念，旨在解决传统“提示词工程”因信息碎片化导致 AI 理解偏差、代码风格不一致及复杂任务执行失败等痛点。与其依赖巧妙的措辞，该项目通过构建包含全局规则（CLAUDE.md）、代码示例库及标准化需求文档（INITIAL.md）的完整上下文体系，让 AI 像拥有完整剧本的演员一样，精准掌握项目架构、编码规范与业务逻辑，从而实现端到端的高质量代码生成。\n\n该工具特别适合希望将 AI 深度集成到开发工作流中的软件开发者与技术团队，尤其是那些需要维护大型项目或追求代码一致性的专业人士。其独特亮点在于提供了一套自动化的\"PRP 工作流”：用户只需定义初始需求，即可利用内置命令自动生成详尽的产品需求提示（PRP），并驱动 AI 助手按步骤执行开发与自我验证。这种系统化方法不仅大幅降低了 AI 出错率，更将人机协作从简单的问答互动升级为可控的工程化流程，是迈向高效\"AI 原生开发”的实用指南。","# Context Engineering Template\n\nA comprehensive template for getting started with Context Engineering - the discipline of engineering context for AI coding assistants so they have the information necessary to get the job done end to end.\n\n> **Context Engineering is 10x better than prompt engineering and 100x better than vibe coding.**\n\n## 🚀 Quick Start\n\n```bash\n# 1. Clone this template\ngit clone https:\u002F\u002Fgithub.com\u002Fcoleam00\u002FContext-Engineering-Intro.git\ncd Context-Engineering-Intro\n\n# 2. Set up your project rules (optional - template provided)\n# Edit CLAUDE.md to add your project-specific guidelines\n\n# 3. Add examples (highly recommended)\n# Place relevant code examples in the examples\u002F folder\n\n# 4. Create your initial feature request\n# Edit INITIAL.md with your feature requirements\n\n# 5. Generate a comprehensive PRP (Product Requirements Prompt)\n# In Claude Code, run:\n\u002Fgenerate-prp INITIAL.md\n\n# 6. Execute the PRP to implement your feature\n# In Claude Code, run:\n\u002Fexecute-prp PRPs\u002Fyour-feature-name.md\n```\n\n## 📚 Table of Contents\n\n- [What is Context Engineering?](#what-is-context-engineering)\n- [Template Structure](#template-structure)\n- [Step-by-Step Guide](#step-by-step-guide)\n- [Writing Effective INITIAL.md Files](#writing-effective-initialmd-files)\n- [The PRP Workflow](#the-prp-workflow)\n- [Using Examples Effectively](#using-examples-effectively)\n- [Best Practices](#best-practices)\n\n## What is Context Engineering?\n\nContext Engineering represents a paradigm shift from traditional prompt engineering:\n\n### Prompt Engineering vs Context Engineering\n\n**Prompt Engineering:**\n- Focuses on clever wording and specific phrasing\n- Limited to how you phrase a task\n- Like giving someone a sticky note\n\n**Context Engineering:**\n- A complete system for providing comprehensive context\n- Includes documentation, examples, rules, patterns, and validation\n- Like writing a full screenplay with all the details\n\n### Why Context Engineering Matters\n\n1. **Reduces AI Failures**: Most agent failures aren't model failures - they're context failures\n2. **Ensures Consistency**: AI follows your project patterns and conventions\n3. **Enables Complex Features**: AI can handle multi-step implementations with proper context\n4. **Self-Correcting**: Validation loops allow AI to fix its own mistakes\n\n## Template Structure\n\n```\ncontext-engineering-intro\u002F\n├── .claude\u002F\n│   ├── commands\u002F\n│   │   ├── generate-prp.md    # Generates comprehensive PRPs\n│   │   └── execute-prp.md     # Executes PRPs to implement features\n│   └── settings.local.json    # Claude Code permissions\n├── PRPs\u002F\n│   ├── templates\u002F\n│   │   └── prp_base.md       # Base template for PRPs\n│   └── EXAMPLE_multi_agent_prp.md  # Example of a complete PRP\n├── examples\u002F                  # Your code examples (critical!)\n├── CLAUDE.md                 # Global rules for AI assistant\n├── INITIAL.md               # Template for feature requests\n├── INITIAL_EXAMPLE.md       # Example feature request\n└── README.md                # This file\n```\n\nThis template doesn't focus on RAG and tools with context engineering because I have a LOT more in store for that soon. ;)\n\n## Step-by-Step Guide\n\n### 1. Set Up Global Rules (CLAUDE.md)\n\nThe `CLAUDE.md` file contains project-wide rules that the AI assistant will follow in every conversation. The template includes:\n\n- **Project awareness**: Reading planning docs, checking tasks\n- **Code structure**: File size limits, module organization\n- **Testing requirements**: Unit test patterns, coverage expectations\n- **Style conventions**: Language preferences, formatting rules\n- **Documentation standards**: Docstring formats, commenting practices\n\n**You can use the provided template as-is or customize it for your project.**\n\n### 2. Create Your Initial Feature Request\n\nEdit `INITIAL.md` to describe what you want to build:\n\n```markdown\n## FEATURE:\n[Describe what you want to build - be specific about functionality and requirements]\n\n## EXAMPLES:\n[List any example files in the examples\u002F folder and explain how they should be used]\n\n## DOCUMENTATION:\n[Include links to relevant documentation, APIs, or MCP server resources]\n\n## OTHER CONSIDERATIONS:\n[Mention any gotchas, specific requirements, or things AI assistants commonly miss]\n```\n\n**See `INITIAL_EXAMPLE.md` for a complete example.**\n\n### 3. Generate the PRP\n\nPRPs (Product Requirements Prompts) are comprehensive implementation blueprints that include:\n\n- Complete context and documentation\n- Implementation steps with validation\n- Error handling patterns\n- Test requirements\n\nThey are similar to PRDs (Product Requirements Documents) but are crafted more specifically to instruct an AI coding assistant.\n\nRun in Claude Code:\n```bash\n\u002Fgenerate-prp INITIAL.md\n```\n\n**Note:** The slash commands are custom commands defined in `.claude\u002Fcommands\u002F`. You can view their implementation:\n- `.claude\u002Fcommands\u002Fgenerate-prp.md` - See how it researches and creates PRPs\n- `.claude\u002Fcommands\u002Fexecute-prp.md` - See how it implements features from PRPs\n\nThe `$ARGUMENTS` variable in these commands receives whatever you pass after the command name (e.g., `INITIAL.md` or `PRPs\u002Fyour-feature.md`).\n\nThis command will:\n1. Read your feature request\n2. Research the codebase for patterns\n3. Search for relevant documentation\n4. Create a comprehensive PRP in `PRPs\u002Fyour-feature-name.md`\n\n### 4. Execute the PRP\n\nOnce generated, execute the PRP to implement your feature:\n\n```bash\n\u002Fexecute-prp PRPs\u002Fyour-feature-name.md\n```\n\nThe AI coding assistant will:\n1. Read all context from the PRP\n2. Create a detailed implementation plan\n3. Execute each step with validation\n4. Run tests and fix any issues\n5. Ensure all success criteria are met\n\n## Writing Effective INITIAL.md Files\n\n### Key Sections Explained\n\n**FEATURE**: Be specific and comprehensive\n- ❌ \"Build a web scraper\"\n- ✅ \"Build an async web scraper using BeautifulSoup that extracts product data from e-commerce sites, handles rate limiting, and stores results in PostgreSQL\"\n\n**EXAMPLES**: Leverage the examples\u002F folder\n- Place relevant code patterns in `examples\u002F`\n- Reference specific files and patterns to follow\n- Explain what aspects should be mimicked\n\n**DOCUMENTATION**: Include all relevant resources\n- API documentation URLs\n- Library guides\n- MCP server documentation\n- Database schemas\n\n**OTHER CONSIDERATIONS**: Capture important details\n- Authentication requirements\n- Rate limits or quotas\n- Common pitfalls\n- Performance requirements\n\n## The PRP Workflow\n\n### How \u002Fgenerate-prp Works\n\nThe command follows this process:\n\n1. **Research Phase**\n   - Analyzes your codebase for patterns\n   - Searches for similar implementations\n   - Identifies conventions to follow\n\n2. **Documentation Gathering**\n   - Fetches relevant API docs\n   - Includes library documentation\n   - Adds gotchas and quirks\n\n3. **Blueprint Creation**\n   - Creates step-by-step implementation plan\n   - Includes validation gates\n   - Adds test requirements\n\n4. **Quality Check**\n   - Scores confidence level (1-10)\n   - Ensures all context is included\n\n### How \u002Fexecute-prp Works\n\n1. **Load Context**: Reads the entire PRP\n2. **Plan**: Creates detailed task list using TodoWrite\n3. **Execute**: Implements each component\n4. **Validate**: Runs tests and linting\n5. **Iterate**: Fixes any issues found\n6. **Complete**: Ensures all requirements met\n\nSee `PRPs\u002FEXAMPLE_multi_agent_prp.md` for a complete example of what gets generated.\n\n## Using Examples Effectively\n\nThe `examples\u002F` folder is **critical** for success. AI coding assistants perform much better when they can see patterns to follow.\n\n### What to Include in Examples\n\n1. **Code Structure Patterns**\n   - How you organize modules\n   - Import conventions\n   - Class\u002Ffunction patterns\n\n2. **Testing Patterns**\n   - Test file structure\n   - Mocking approaches\n   - Assertion styles\n\n3. **Integration Patterns**\n   - API client implementations\n   - Database connections\n   - Authentication flows\n\n4. **CLI Patterns**\n   - Argument parsing\n   - Output formatting\n   - Error handling\n\n### Example Structure\n\n```\nexamples\u002F\n├── README.md           # Explains what each example demonstrates\n├── cli.py             # CLI implementation pattern\n├── agent\u002F             # Agent architecture patterns\n│   ├── agent.py      # Agent creation pattern\n│   ├── tools.py      # Tool implementation pattern\n│   └── providers.py  # Multi-provider pattern\n└── tests\u002F            # Testing patterns\n    ├── test_agent.py # Unit test patterns\n    └── conftest.py   # Pytest configuration\n```\n\n## Best Practices\n\n### 1. Be Explicit in INITIAL.md\n- Don't assume the AI knows your preferences\n- Include specific requirements and constraints\n- Reference examples liberally\n\n### 2. Provide Comprehensive Examples\n- More examples = better implementations\n- Show both what to do AND what not to do\n- Include error handling patterns\n\n### 3. Use Validation Gates\n- PRPs include test commands that must pass\n- AI will iterate until all validations succeed\n- This ensures working code on first try\n\n### 4. Leverage Documentation\n- Include official API docs\n- Add MCP server resources\n- Reference specific documentation sections\n\n### 5. Customize CLAUDE.md\n- Add your conventions\n- Include project-specific rules\n- Define coding standards\n\n## Resources\n\n- [Claude Code Documentation](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fclaude-code)\n- [Context Engineering Best Practices](https:\u002F\u002Fwww.philschmid.de\u002Fcontext-engineering)","# 上下文工程模板\n\n用于入门上下文工程的全面模板——这是一门为 AI 编码助手构建完整上下文的学科，使其拥有端到端完成任务所需的信息。\n\n> **上下文工程比提示工程好 10 倍，比“凭感觉”编码好 100 倍。**\n\n## 🚀 快速开始\n\n```bash\n# 1. 克隆本模板\ngit clone https:\u002F\u002Fgithub.com\u002Fcoleam00\u002FContext-Engineering-Intro.git\ncd Context-Engineering-Intro\n\n# 2. 设置项目规则（可选——已提供模板）\n# 编辑 CLAUDE.md 添加项目特定的指导原则\n\n# 3. 添加示例（强烈推荐）\n# 将相关代码示例放入 examples\u002F 文件夹中\n\n# 4. 创建初始功能需求\n# 编辑 INITIAL.md 填写你的功能需求\n\n# 5. 生成全面的产品需求提示（PRP）\n# 在 Claude Code 中运行：\n\u002Fgenerate-prp INITIAL.md\n\n# 6. 执行 PRP 以实现你的功能\n# 在 Claude Code 中运行：\n\u002Fexecute-prp PRPs\u002Fyour-feature-name.md\n```\n\n## 📚 目录\n\n- [什么是上下文工程？](#what-is-context-engineering)\n- [模板结构](#template-structure)\n- [分步指南](#step-by-step-guide)\n- [编写有效的 INITIAL.md 文件](#writing-effective-initialmd-files)\n- [PRP 工作流程](#the-prp-workflow)\n- [有效使用示例](#using-examples-effectively)\n- [最佳实践](#best-practices)\n\n## 什么是上下文工程？\n\n上下文工程代表了对传统提示工程的一次范式转变：\n\n### 提示工程 vs 上下文工程\n\n**提示工程：**\n- 专注于巧妙措辞和具体表达\n- 仅限于如何表述任务\n- 类似于给某人一张便签纸\n\n**上下文工程：**\n- 是一套完整的系统，用于提供全面的上下文\n- 包括文档、示例、规则、模式和验证\n- 类似于撰写一部包含所有细节的完整剧本\n\n### 为什么上下文工程很重要？\n\n1. **减少 AI 失败**：大多数代理失败并非模型问题，而是上下文问题。\n2. **确保一致性**：AI 遵循你的项目模式和规范。\n3. **支持复杂功能**：在适当的上下文支持下，AI 可以处理多步骤实现。\n4. **自我纠正**：通过验证循环，AI 能够自行修复错误。\n\n## 模板结构\n\n```\ncontext-engineering-intro\u002F\n├── .claude\u002F\n│   ├── commands\u002F\n│   │   ├── generate-prp.md    # 生成全面的 PRP\n│   │   └── execute-prp.md     # 执行 PRP 以实现功能\n│   └── settings.local.json    # Claude Code 的权限配置\n├── PRPs\u002F\n│   ├── templates\u002F\n│   │   └── prp_base.md       # PRP 的基础模板\n│   └── EXAMPLE_multi_agent_prp.md  # 完整 PRP 示例\n├── examples\u002F                  # 你的代码示例（至关重要！）\n├── CLAUDE.md                 # AI 助手的全局规则\n├── INITIAL.md               # 功能需求模板\n├── INITIAL_EXAMPLE.md       # 功能需求示例\n└── README.md                # 本文档\n```\n\n本模板不涉及 RAG 和工具相关的上下文工程，因为我很快会有更多相关内容推出。 ;)\n\n## 分步指南\n\n### 1. 设置全局规则（CLAUDE.md）\n\n`CLAUDE.md` 文件包含了项目范围内的规则，AI 助手将在每次对话中遵循这些规则。模板中包括：\n\n- **项目认知**：阅读规划文档、检查任务\n- **代码结构**：文件大小限制、模块组织\n- **测试要求**：单元测试模式、覆盖率期望\n- **风格规范**：语言偏好、格式规则\n- **文档标准**：文档字符串格式、注释规范\n\n**你可以直接使用提供的模板，也可以根据你的项目进行自定义。**\n\n### 2. 创建初始功能需求\n\n编辑 `INITIAL.md` 来描述你想要构建的内容：\n\n```markdown\n## 功能：\n[描述你想要构建的内容——明确功能和需求]\n\n## 示例：\n[列出 examples\u002F 文件夹中的任何示例文件，并说明它们应如何使用]\n\n## 文档：\n[附上相关文档、API 或 MCP 服务器资源的链接]\n\n## 其他注意事项：\n[提及任何需要注意的地方、特殊要求，或 AI 助手常会忽略的事项]\n```\n\n**请参阅 `INITIAL_EXAMPLE.md` 获取完整示例。**\n\n### 3. 生成 PRP\n\nPRP（产品需求提示）是包含以下内容的综合实现蓝图：\n\n- 完整的上下文和文档\n- 带有验证的实施步骤\n- 错误处理模式\n- 测试要求\n\n它类似于 PRD（产品需求文档），但更专门地为指导 AI 编码助手而设计。\n\n在 Claude Code 中运行：\n```bash\n\u002Fgenerate-prp INITIAL.md\n```\n\n**注意：** 斜杠命令是在 `.claude\u002Fcommands\u002F` 中定义的自定义命令。你可以查看其实现方式：\n- `.claude\u002Fcommands\u002Fgenerate-prp.md` —— 查看它是如何研究并创建 PRP 的\n- `.claude\u002Fcommands\u002Fexecute-prp.md` —— 查看它是如何根据 PRP 实现功能的\n\n这些命令中的 `$ARGUMENTS` 变量会接收你在命令名称后传递的任何内容（例如 `INITIAL.md` 或 `PRPs\u002Fyour-feature.md`）。\n\n该命令将：\n1. 读取你的功能需求\n2. 研究代码库中的模式\n3. 搜索相关文档\n4. 在 `PRPs\u002Fyour-feature-name.md` 中创建一个全面的 PRP。\n\n### 4. 执行 PRP\n\nPRP 生成后，执行它来实现你的功能：\n\n```bash\n\u002Fexecute-prp PRPs\u002Fyour-feature-name.md\n```\n\nAI 编码助手将：\n1. 读取 PRP 中的所有上下文\n2. 制定详细的实施计划\n3. 按照计划逐步执行并进行验证\n4. 运行测试并修复任何问题\n5. 确保满足所有成功条件。\n\n## 编写有效的 INITIAL.md 文件\n\n### 关键部分解释\n\n**功能**：要具体且全面\n- ❌ “构建一个网页爬虫”\n- ✅ “构建一个使用 BeautifulSoup 的异步网页爬虫，用于从电商网站提取商品数据、处理速率限制，并将结果存储到 PostgreSQL 数据库中”\n\n**示例**：充分利用 examples\u002F 文件夹\n- 将相关的代码模式放入 `examples\u002F` 文件夹\n- 引用具体的文件和模式以供参考\n- 解释需要模仿哪些方面\n\n**文档**：包含所有相关资源\n- API 文档 URL\n- 库指南\n- MCP 服务器文档\n- 数据库模式\n\n**其他注意事项**：捕捉重要细节\n- 认证要求\n- 速率限制或配额\n- 常见陷阱\n- 性能要求\n\n## PRP 工作流程\n\n### \u002Fgenerate-prp 的工作原理\n\n该命令按照以下流程执行：\n\n1. **研究阶段**\n   - 分析您的代码库中的模式\n   - 搜索类似的实现方式\n   - 识别需要遵循的编码规范\n\n2. **文档收集**\n   - 获取相关的 API 文档\n   - 包含库的文档\n   - 补充常见的陷阱和细节\n\n3. **蓝图创建**\n   - 创建分步的实现计划\n   - 包括验证环节\n   - 添加测试要求\n\n4. **质量检查**\n   - 评估信心水平（1-10 分）\n   - 确保所有上下文都被包含\n\n### \u002Fexecute-prp 的工作原理\n\n1. **加载上下文**：读取完整的 PRP\n2. **制定计划**：使用 TodoWrite 创建详细的任务列表\n3. **执行**：逐项实现各个组件\n4. **验证**：运行测试和代码检查\n5. **迭代**：修复发现的问题\n6. **完成**：确保所有需求都已满足\n\n完整生成示例请参阅 `PRPs\u002FEXAMPLE_multi_agent_prp.md`。\n\n## 有效使用示例\n\n`examples\u002F` 文件夹对于成功至关重要。AI 编码助手在能够看到可遵循的模式时，表现会更好。\n\n### 示例中应包含的内容\n\n1. **代码结构模式**\n   - 模块的组织方式\n   - 导入规范\n   - 类和函数的模式\n\n2. **测试模式**\n   - 测试文件的结构\n   - 模拟方法\n   - 断言风格\n\n3. **集成模式**\n   - API 客户端的实现\n   - 数据库连接\n   - 认证流程\n\n4. **CLI 模式**\n   - 参数解析\n   - 输出格式化\n   - 错误处理\n\n### 示例结构\n\n```\nexamples\u002F\n├── README.md           # 解释每个示例所展示的内容\n├── cli.py             # CLI 实现模式\n├── agent\u002F             # 代理架构模式\n│   ├── agent.py      # 代理创建模式\n│   ├── tools.py      # 工具实现模式\n│   └── providers.py  # 多提供者模式\n└── tests\u002F            # 测试模式\n    ├── test_agent.py # 单元测试模式\n    └── conftest.py   # Pytest 配置\n```\n\n## 最佳实践\n\n### 1. 在 INITIAL.md 中明确说明\n- 不要假设 AI 了解您的偏好\n- 包含具体的需求和限制条件\n- 大量引用示例\n\n### 2. 提供全面的示例\n- 示例越多，实现效果越好\n- 展示应该怎么做以及不应该怎么做\n- 包括错误处理模式\n\n### 3. 使用验证环节\n- PRP 包含必须通过的测试命令\n- AI 会不断迭代直到所有验证通过\n- 这样可以确保第一次尝试就能得到可用的代码\n\n### 4. 充分利用文档\n- 包含官方 API 文档\n- 添加 MCP 服务器资源\n- 引用具体的文档章节\n\n### 5. 自定义 CLAUDE.md\n- 添加您的编码规范\n- 包括项目特定的规则\n- 定义编码标准\n\n## 资源\n\n- [Claude 代码文档](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fclaude-code)\n- [上下文工程最佳实践](https:\u002F\u002Fwww.philschmid.de\u002Fcontext-engineering)","# Context Engineering Intro 快速上手指南\n\n本指南帮助中国开发者快速掌握 **Context Engineering**（上下文工程）模板，通过构建完善的上下文体系，让 AI 编程助手（如 Claude Code）能够端到端地高质量完成开发任务。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Linux, macOS 或 Windows (WSL2 推荐)\n*   **核心工具**: \n    *   [Git](https:\u002F\u002Fgit-scm.com\u002F) (已安装并配置好)\n    *   [Claude Code](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fclaude-code) (必须安装并登录，这是执行模板命令的核心运行时)\n*   **前置依赖**: \n    *   无需额外的 Python 或 Node.js 依赖包，本模板主要依靠配置文件和 Markdown 文档驱动 AI 行为。\n    *   确保你的项目目录具有读写权限。\n\n> **注意**: 本工具专为 **Claude Code** 设计，利用其自定义命令功能（Slash Commands）。如果你使用其他 AI 终端工具，可能需要手动复制 `.claude\u002Fcommands\u002F` 中的逻辑。\n\n## 安装步骤\n\n只需简单的克隆操作即可获取模板：\n\n```bash\n# 1. 克隆模板仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fcoleam00\u002FContext-Engineering-Intro.git\ncd Context-Engineering-Intro\n\n# 2. (可选) 将模板集成到你现有的项目中\n# 你可以将 .claude\u002F, CLAUDE.md, INITIAL.md 等文件复制到你的项目根目录\n```\n\n## 基本使用\n\n以下是使用该模板实现一个功能的最简工作流：\n\n### 第一步：配置全局规则 (可选但推荐)\n编辑 `CLAUDE.md` 文件，定义你项目的代码风格、测试要求和目录结构规范。如果直接使用模板，可跳过此步或使用默认配置。\n\n### 第二步：编写需求文档\n编辑 `INITIAL.md` 文件，清晰描述你要构建的功能。请参考以下结构：\n\n```markdown\n## FEATURE:\n[详细描述功能，例如：构建一个异步网页爬虫，使用 BeautifulSoup 提取数据并存入 PostgreSQL]\n\n## EXAMPLES:\n[列出 examples\u002F 文件夹中供 AI 参考的代码示例文件]\n\n## DOCUMENTATION:\n[相关 API 文档链接或 MCP 服务器资源]\n\n## OTHER CONSIDERATIONS:\n[注意事项，如认证要求、速率限制或常见陷阱]\n```\n\n### 第三步：生成产品需求提示 (PRP)\n在终端中运行以下命令，AI 将分析你的需求并生成一份包含完整上下文、实施步骤和验证标准的蓝图：\n\n```bash\n\u002Fgenerate-prp INITIAL.md\n```\n*执行后，系统会在 `PRPs\u002F` 目录下生成一个名为 `your-feature-name.md` 的详细文件。*\n\n### 第四步：执行实施\n运行生成的 PRP 文件，让 AI 自动执行编码、测试和修复循环：\n\n```bash\n\u002Fexecute-prp PRPs\u002Fyour-feature-name.md\n```\n\n**执行过程说明：**\n1.  AI 读取 PRP 中的所有上下文。\n2.  创建详细的任务列表 (`TodoWrite`)。\n3.  逐步编写代码并运行测试。\n4.  自动修复报错，直到所有验证通过。\n\n---\n**💡 核心提示**: 为了获得最佳效果，请务必在 `examples\u002F` 文件夹中放入你现有的优质代码片段。AI 通过模仿这些示例，能更准确地遵循你的项目模式。","某全栈开发团队正在为一个电商后台系统紧急添加“多货币动态结算”功能，该功能涉及复杂的汇率计算逻辑和严格的财务数据一致性要求。\n\n### 没有 context-engineering-intro 时\n- **上下文缺失导致逻辑幻觉**：AI 因不了解项目现有的支付网关架构，凭空捏造了不存在的 API 接口，导致代码无法运行。\n- **风格割裂增加重构成本**：生成的代码不符合团队既定的 TypeScript 泛型规范和错误处理模式，开发者需花费大量时间手动修正格式。\n- **迭代过程反复试错**：每次修改需求都需重新粘贴大量背景信息，AI 仍经常遗忘之前的约束条件，陷入“提示词工程”的无效循环。\n- **缺乏自验证机制**：AI 生成的代码缺少配套的单元测试用例，潜在的计算精度误差直到人工测试阶段才被发现。\n\n### 使用 context-engineering-intro 后\n- **全景上下文精准赋能**：通过 `examples\u002F` 文件夹提供真实支付代码片段，AI 直接复用现有架构，生成的结算逻辑一次通过。\n- **自动遵循工程规范**：`CLAUDE.md` 强制 AI 遵守团队的代码风格与模块划分规则，输出内容无需二次格式化即可合并。\n- **PRP 工作流保障闭环**：利用 `\u002Fgenerate-prp` 将模糊需求转化为包含验证步骤的详细执行计划，AI 能自主完成从编码到自测的全流程。\n- **一致性大幅提升**：系统在多轮对话中始终记忆项目规则，即使面对复杂的多步任务，也能保持逻辑连贯且零偏离。\n\ncontext-engineering-intro 通过将零散的提示词升级为结构化的工程上下文，让 AI 从“猜谜助手”转变为真正理解业务全貌的“资深合伙人”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcoleam00_context-engineering-intro_ad13c49c.png","coleam00","Cole Medin","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcoleam00_92be4757.png","Generative AI specialist with a wide range of experience developing AI Agents, RAG solutions, local AI deployments, generative AI libraries\u002Fpackages, and more.","Dynamous",null,"https:\u002F\u002Fdynamous.youcanbook.me\u002F","https:\u002F\u002Fgithub.com\u002Fcoleam00",[82,86,90,94,98,102],{"name":83,"color":84,"percentage":85},"Python","#3572A5",83.2,{"name":87,"color":88,"percentage":89},"TypeScript","#3178c6",13.8,{"name":91,"color":92,"percentage":93},"PLpgSQL","#336790",1.8,{"name":95,"color":96,"percentage":97},"Shell","#89e051",0.7,{"name":99,"color":100,"percentage":101},"Dockerfile","#384d54",0.4,{"name":103,"color":104,"percentage":105},"JavaScript","#f1e05a",0,13183,2695,"2026-04-19T09:59:03","MIT","未说明",{"notes":112,"python":110,"dependencies":113},"该工具并非传统的本地运行 AI 模型，而是一个用于'上下文工程'的项目模板，旨在配合 Anthropic 的 Claude Code 命令行工具使用。核心依赖是安装并配置好 Claude Code 环境。项目通过自定义命令（如 \u002Fgenerate-prp）驱动 AI 助手进行代码生成和管理，无需本地 GPU、特定显存或安装 PyTorch\u002FTransformers 等深度学习库。用户需按照 README 指引克隆仓库，并根据需要编辑 CLAUDE.md 规则和 examples\u002F 文件夹中的示例代码。",[114],"Claude Code",[35,14,13],"2026-03-27T02:49:30.150509","2026-04-20T07:17:16.969169",[119,124,128,132],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},44109,"如何将此模板集成到现有的项目中？","集成步骤如下：\n1. 在项目根目录创建一个 .context\u002F 文件夹。\n2. 在该文件夹内包含以下文件：\n   - PLANNING.md：描述项目的结构、架构和风格规则。需明确说明现有文件的位置，以及它们是应该被修改、保持原样还是仅作为参考。\n   - TASK.md（可选）：任务追踪器，显示当前工作内容。\n   - INITIAL.md：用于定义正在生成或处理的具体功能。\n   - examples\u002F 文件夹（可选但推荐）：存放小型代码片段或最佳实践模式。\n   - CLAUDE.md：让 Claude 理解需要做什么的关键文件，定义了 LLM 的基本流程和指南。\n3. 运行 generate-prp 命令并输入相关参数。\n\n另外，也可以直接将此仓库提供给 Claude 进行研究，让它自动在您的项目中创建结构；或者运行 \u002Fanalyze 命令来建立项目感知并生成 CLAUDE.md 文件。","https:\u002F\u002Fgithub.com\u002Fcoleam00\u002Fcontext-engineering-intro\u002Fissues\u002F12",{"id":125,"question_zh":126,"answer_zh":127,"source_url":123},44110,"CLAUDE.md 文件有什么作用？为什么它很重要？","CLAUDE.md 是最重要的文件之一，因为它定义了 LLM（大语言模型）的基本流程和指南。它是让 Claude 理解任务需求的关键，确保它在回答问题或生成\u002F执行 PRP（Pull Request Plans）时，能够准确知道 Task.md、PRPs 和 examples 等文件的位置及用途。",{"id":129,"question_zh":130,"answer_zh":131,"source_url":123},44111,"如何让 AI 自动帮我搭建项目结构？","您可以直接将此仓库提供给 Claude 进行研究，并让它自动在您的项目中创建所需的结构。具体操作包括：\n1. 让 Claude 研究此仓库以了解标准结构。\n2. 运行 \u002Fanalyze 命令，帮助 AI 建立对当前项目结构的感知。\n3. AI 随后会自动创建关键的 CLAUDE.md 文件以及其他必要的配置文件。",{"id":133,"question_zh":134,"answer_zh":135,"source_url":123},44112,"PLANNING.md 文件中应该包含哪些具体内容？","在 PLANNING.md 中，必须清晰地陈述以下内容：\n1. 现有文件的具体位置。\n2. 对这些文件的处理指令：明确它们是需要被修改、保持原样（kept as-is），还是仅作为参考（used for reference only）。\n这有助于 AI 准确理解项目架构并遵守风格规则。",[]]