【声明】本博客所有内容均为个人业余时间创作所述技术案例均来自公开开源项目如GithubApache基金会不涉及任何企业机密或未公开技术如有侵权请联系删除背景上篇 blog【Agent】【OpenCode】todowrite 工具提示词示例三分析了 TodoWrite 工具第三个示例的reasoning内部推理显式指令模式识别AI 敏锐捕捉到输入端格式不仅看到了多个复杂特性还注意到了它们通过逗号分割的排列方式这正是触发 TodoList 工具最直接的提示词认知负荷拆分与重组将这些很大的特性分解成一个个可管理的小颗粒度任务全局视野下的进度锚点让 AI 和用户都能看清当前在整个项目任务中的坐标接着分析了下一个示例先分析后判断面对有性能问题这种模糊的抱怨AI 先主动扫描可能出现性能问题的区域生成清单对症下药然后单线程规则锁定首个目标并分析了该示例的reasoning内部推理下面继续分析OpenCode接着是不推荐使用 TodoWrite 工具的示例极简响应面对Hello World这种编程界最经典的启蒙级问题AI 表现得很干脆利落没有多余的废话铺垫也不需要启动任何工具而是直接给出了一行核心代码体现了大模型在处理低认知负荷任务时的敏捷性下面来看这里的reasoning内部推理任务性质定性这里用户的需求精准命中了之前提到的规则When not to useSingle单一用户的诉求只有一个目标没有任何分支或依赖关系Trivial One step琐碎且单步调用内置的print()函数输出一段字符串在工程复杂度上几乎为零既然只需要一个原子步骤就能完成的事情任何额外的管理动作都是纯粹的浪费追踪价值为零TodoList 存在的意义是防漏与统筹当用户请求极其直白Straightforward且不存在多个任务或多个步骤时建立清单就失去了所有的组织收益如果为了打印一句话而去创建一个待办事项列表就像是为了喝一口水而去建一个水库一样荒谬防止过度设计之前提到过在强化学习中AI 容易养成讨好型人格会试图通过展示复杂的管理流程来证明自己很努力这里就是拒绝形式主义简单的事情简单做确保 AI 在面对类似【帮忙加个注释】【运行一下 xxx 命令】等即时反馈类型的任务时能够保持高效的响应效率而不是陷入形式主义下面看下一个示例知识检索与科普式输出用户这里提问git status命令是干啥的面对这种纯粹的名词解释或概念查询请求AI 也表现得干脆利落没有启动任何工具而是直接从内置知识库中调取了关于git status的核心定义回答得极其专业且全面涵盖了工作区状态暂存区状态以及未跟踪文件等核心概念同样体现了大模型在处理低认知负荷非工程执行任务时的敏捷性接着分析reasoning内部推理意图定性同样这里精准命中了之前分析的 When not to use 规则AI 的大脑瞬间完成了意图分类这是个纯粹的信息获取请求当前的上下文中没有任何实际的编码任务需要完成既然不需要写代码和改代码那么 TodoList 就失去了存在的土壤行为模式的边界划分这里用户仅仅在寻求一个解释在软件工程中解释一个工作的作用和使用这个工具去解决实际问题是完全不同的两个维度前者只需要调动语言模型的生成能力而后者才需要调用外部工具链和执行流这里的 AI 识别到了它应该扮演的是百科全书而不是施工队角色防止过度反应之前的 Blog 分析过TodoList 是为了解决复杂的多步任务当用户只是问一个概念时如果 AI 强行列出一个清单比如1、解释git status的定义2、说明它显示的分支信息3、说明它显示的暂存区信息这样不仅显得僵硬还会破话自然对话的体验所以这里的示例划定了界限单维度的知识解答不需要被分解成多步骤的工程流水线OK本篇先到这里如有疑问欢迎评论区留言讨论祝各位功力大涨技术更上一层楼更多内容见下篇 blog
110、【Agent】【OpenCode】todowrite 工具提示词（示例）（四）
发布时间：2026/6/7 22:52:20
【声明】本博客所有内容均为个人业余时间创作所述技术案例均来自公开开源项目如GithubApache基金会不涉及任何企业机密或未公开技术如有侵权请联系删除背景上篇 blog【Agent】【OpenCode】todowrite 工具提示词示例三分析了 TodoWrite 工具第三个示例的reasoning内部推理显式指令模式识别AI 敏锐捕捉到输入端格式不仅看到了多个复杂特性还注意到了它们通过逗号分割的排列方式这正是触发 TodoList 工具最直接的提示词认知负荷拆分与重组将这些很大的特性分解成一个个可管理的小颗粒度任务全局视野下的进度锚点让 AI 和用户都能看清当前在整个项目任务中的坐标接着分析了下一个示例先分析后判断面对有性能问题这种模糊的抱怨AI 先主动扫描可能出现性能问题的区域生成清单对症下药然后单线程规则锁定首个目标并分析了该示例的reasoning内部推理下面继续分析OpenCode接着是不推荐使用 TodoWrite 工具的示例极简响应面对Hello World这种编程界最经典的启蒙级问题AI 表现得很干脆利落没有多余的废话铺垫也不需要启动任何工具而是直接给出了一行核心代码体现了大模型在处理低认知负荷任务时的敏捷性下面来看这里的reasoning内部推理任务性质定性这里用户的需求精准命中了之前提到的规则When not to useSingle单一用户的诉求只有一个目标没有任何分支或依赖关系Trivial One step琐碎且单步调用内置的print()函数输出一段字符串在工程复杂度上几乎为零既然只需要一个原子步骤就能完成的事情任何额外的管理动作都是纯粹的浪费追踪价值为零TodoList 存在的意义是防漏与统筹当用户请求极其直白Straightforward且不存在多个任务或多个步骤时建立清单就失去了所有的组织收益如果为了打印一句话而去创建一个待办事项列表就像是为了喝一口水而去建一个水库一样荒谬防止过度设计之前提到过在强化学习中AI 容易养成讨好型人格会试图通过展示复杂的管理流程来证明自己很努力这里就是拒绝形式主义简单的事情简单做确保 AI 在面对类似【帮忙加个注释】【运行一下 xxx 命令】等即时反馈类型的任务时能够保持高效的响应效率而不是陷入形式主义下面看下一个示例知识检索与科普式输出用户这里提问git status命令是干啥的面对这种纯粹的名词解释或概念查询请求AI 也表现得干脆利落没有启动任何工具而是直接从内置知识库中调取了关于git status的核心定义回答得极其专业且全面涵盖了工作区状态暂存区状态以及未跟踪文件等核心概念同样体现了大模型在处理低认知负荷非工程执行任务时的敏捷性接着分析reasoning内部推理意图定性同样这里精准命中了之前分析的 When not to use 规则AI 的大脑瞬间完成了意图分类这是个纯粹的信息获取请求当前的上下文中没有任何实际的编码任务需要完成既然不需要写代码和改代码那么 TodoList 就失去了存在的土壤行为模式的边界划分这里用户仅仅在寻求一个解释在软件工程中解释一个工作的作用和使用这个工具去解决实际问题是完全不同的两个维度前者只需要调动语言模型的生成能力而后者才需要调用外部工具链和执行流这里的 AI 识别到了它应该扮演的是百科全书而不是施工队角色防止过度反应之前的 Blog 分析过TodoList 是为了解决复杂的多步任务当用户只是问一个概念时如果 AI 强行列出一个清单比如1、解释git status的定义2、说明它显示的分支信息3、说明它显示的暂存区信息这样不仅显得僵硬还会破话自然对话的体验所以这里的示例划定了界限单维度的知识解答不需要被分解成多步骤的工程流水线OK本篇先到这里如有疑问欢迎评论区留言讨论祝各位功力大涨技术更上一层楼更多内容见下篇 blog
