# 系统提示词架构 (System Prompt Architecture)

AstroResearch Agent 系统提示词采用**模块化 Section 组装 + 简单首次缓存**架构，参考 Claude Code 的 System Prompt 设计并针对实际场景裁剪。

## 整体分层

```mermaid
graph TB
    subgraph L5["Layer 5: 运行时注入"]
        Nudge["nudge / 任务恢复 / 后台通知"]
    end
    subgraph L4["Layer 4: 提示词压缩 + CollapseLog"]
        Compress["snip → micro → auto → aggressive_micro"]
        Collapse["CollapseLog commit / overflow"]
    end
    subgraph L3["Layer 3: Skill 动态加载"]
        Skill["Layer1 提醒 → Layer2 全文注入"]
    end
    subgraph L2["Layer 2: 子代理模块化提示词"]
        SubSP["6 section 组装器"]
    end
    subgraph L1["Layer 1: 主代理 SystemPrompt 组装"]
        MainSP["9 个 section 模块化组装<br/>静态(5) → 动态(4)"]
        Cache["SystemPromptCache<br/>首次计算，永久复用"]
    end
    L5 --> L4 --> L3 --> L2 --> L1
    L1 --> Cache
```

---

## 核心组装器 (`src/agent/runtime/system_prompt.rs`)

### 数据结构

```rust
pub struct SystemPrompt {
    sections: Vec<(&'static str, String)>,
}
```

有序 section 列表。`assemble()` 用 `"\n\n"` 拼接所有 section。顺序即最终 prompt 中出现的顺序——静态内容在前，动态内容在后。

### Section 缓存 (`SystemPromptCache`)

简化设计：**首次计算，永久缓存**。因为 session 生命周期内 CWD、platform、OS、model、工具注册表均不变，不需要 TTL 过期机制。仅在 `/clear` 或 `/compact` 事件时调用 `invalidate_all()` 全局失效。

```rust
pub struct SystemPromptCache {
    entries: HashMap<&'static str, String>,
}

impl SystemPromptCache {
    // 首次计算，后续命中缓存
    pub fn get_or_compute(&mut self, name: &str, compute: impl FnOnce() -> String) -> String;
    // compute 返回 Option：Some 缓存并返回，None 不缓存
    pub fn get_or_compute_optional(&mut self, name: &str, compute: impl FnOnce() -> Option<String>) -> Option<String>;
    // 显式失效
    pub fn invalidate(&mut self, name: &str);
    pub fn invalidate_all(&mut self);
}
```

缓存策略：静态 section + environment + tools 全部通过 `get_or_compute` 缓存。skills 和 memory 不缓存——前者通过文件监听热更新，后者受 `save_memory` 工具实时影响。

### 静态 Section 常量（6 个）

| 常量 | 内容 | 行数 |
|------|------|------|
| `IDENTITY_SECTION` | 身份声明 | 1 |
| `PRINCIPLES_SECTION` | 核心行为准则（9 条） | 9 |
| `SYSTEM_CONTEXT_SECTION` | system-reminder 标签说明 + 自动压缩 | 3 |
| `TOOL_USAGE_SECTION` | 专用工具优先、并行调用、todo_write | 5 |
| `SAFETY_SECTION` | 可逆性、影响范围、确认机制 | 5 |

### 组装顺序

`AgentRuntime::system_prompt()` 组装 9 个 section：

```
[1] identity         ← 静态（首次计算后永久缓存）
[2] principles       ← 静态
[3] system_context   ← 静态
[4] tool_usage       ← 静态
[5] safety           ← 静态
[6] environment      ← 动态（首次计算后缓存，session 内不变）
[7] tools            ← 动态（首次计算后缓存，ToolRegistry session 内不变）
[8] skills           ← 动态（不缓存，文件监听热更新）
[9] memory           ← 动态（不缓存，save_memory 实时更新）
```

**为什么没有 TTL**：CWD、platform、OS、model、tools 在 session 生命周期内全部不变。首次计算即永久正确，TTL 是多余的复杂度。

**为什么没有 cache_control 边界标记**：`cache_control: {"type": "ephemeral"}` 是 Anthropic API 专有特性。我们的模型（DeepSeek/Qwen 等 OpenAI 兼容 API）不支持。静态内容前置的顺序本身已足够让服务端按内容哈希自然缓存。

---

## 动态 Section 详解

### environment section

```rust
fn build_environment_section(&self) -> String {
    // 包含：工作目录、Git 仓库状态、平台、OS 版本、日期、模型名称
    // 以及 Agent 配置摘要（最大步数、工具超时）
}
```

示例输出：
```
# 环境信息
- 工作目录: /home/user/project
- Git 仓库: 是
- 平台: linux
- OS 版本: Linux 7.0.0-22-generic
- 日期: 2026-06-22
- 当前模型: deepseek-v4-pro
- 最大推理步数: 8
- 工具超时: 120 秒
```

### tools section

```rust
// 从 ToolRegistry.definitions() 生成工具名称 + 80 字符摘要
// ToolRegistry 内部有 schema_cache：工具注册表不变时复用上次计算结果
for def in self.tool_registry.definitions() {
    let short_desc = def.function.description
        .split('。').next()        // 取第一句
        .chars().take(80)          // 截断 80 字符
        .collect();
    tools_desc.push_str(&format!("- {}: {}\n", def.function.name, short_desc));
}
```

完整 JSON Schema 通过 API `tools` 参数单独传递，不在 system prompt 中重复。

### skills section — 两层加载

**Layer 1 (system-reminder)**：`SkillRegistry.build_reminder()` 列出所有 `user_invocable=true` 的技能名称 + 描述 + when_to_use，每个约 20 tokens。

```xml
<system-reminder>
The following skills are available for use with the Skill tool:
- methodology: 天体物理研究方法论指南 - When user asks about research methodology
When a skill matches the user's request, invoke load_skill BEFORE generating any other response...
</system-reminder>
```

**Layer 2 (load_skill 工具)**：LLM 按需调用，从 `skills/{name}/SKILL.md` 加载完整内容（~2000 tokens），支持 `${SKILL_DIR}` / `${SESSION_ID}` 变量替换和 fork 执行模式。

详见 [skills.md](skills.md)。

### memory section

从 `{library_dir}/memory/` 加载，**按 mtime 降序排列**（最新在前），取前 5 条，注入 `<project-memory-context>` XML 块。支持时效警告、过期标记、语义选择。详见 [memory.md](memory.md)。

---

## 上下文初始化 (`src/agent/runtime/context.rs`)

`build_initial_context()` 流程：

```
1. 加载历史消息（agent_messages 表）
2. 如果第一条不是 system 角色 → 插入系统提示词
3. 追加当前用户问题
4. [可选] 追加任务状态恢复提醒（agent_tasks 表）
```

运行时干预通过**注入 user 消息**实现（不修改 system prompt）：

| 触发条件 | 注入内容 |
|:---|:---|
| TodoWrite 3 步未更新 | "提醒：建议调用 todo_write 工具复盘进度" |
| Token 预算 diminishing returns | "检测到重复操作模式，请直接给出最终答案" |
| 达到最大步数 | "已执行 N 步（最大 M 步），请直接给出最终答案" |
| 后台任务完成 | "[后台任务完成] ✅ tool_name: summary" |

---

## 子代理模块化系统提示词 (`src/agent/tools/subagent.rs`)

子代理使用完整模块化系统提示词（不再硬编码 96 字符）：

```
[1] identity         ← 与父代理相同
[2] subagent_context ← "在独立的子任务上下文中工作，请专注于完成这项任务"
[3] principles       ← 与父代理相同
[4] system_context   ← 与父代理相同
[5] tool_usage       ← 与父代理相同
[6] safety           ← 与父代理相同
[7] tools            ← 运行时从 ToolRegistry 生成
```

预构建 `ToolRegistry`，在构造系统提示词前获取 `definitions()`。`SubAgentRunner` 新增 `new_with_registry_and_hooks()` 构造函数。详见 [subagent.md](subagent.md)。

---

## 上下文压缩 + CollapseLog (`src/agent/compact.rs`)

### 四层压缩策略

| 层 | 方法 | API | 行为 |
|:---|:---|:---|:---|
| 0 | `snip_compact` | 无 | 消息 >50 时截断中间段，保留头 3 + 尾 |
| 1 | `micro_compact` | 无 | 较早工具结果替换为 `[Previous: used {name}]` 占位符 |
| 2 | `auto_compact` | 1 次 | LLM 摘要对话历史 |
| 3 | `aggressive_micro` | 无 | 保留最近 2 条工具结果 |

### CollapseLog

`compress_context_with_hooks_and_log()` 在每次压缩后记录结构化 commit：

```rust
log.commit(CollapseMethod::LlmSummary, (after_count, before_count), summary);
```

超 5 条 commits 时触发**溢出合并**，将最早的 commits 合并为摘要注入消息列表。详见 `collapse.rs`。

---

## Hook 系统与提示词交互

13 个生命周期事件：

| Hook | 与提示词的关系 |
|:---|:---|
| `OnSessionStart` | 提示词组装前触发 |
| `UserPromptSubmit` | 用户提交提示词后、context building 前触发 (P2) |
| `PreToolUse::MutateInput` | 注入 `additional_context`（追加为 user 消息） |
| `PostToolUse::MutateOutput` | 修改工具输出（影响 LLM 看到的 context） |
| `PostToolUseFailure` | 工具执行失败后修改输出 (P1) |
| `PreCompact / PostCompact` | 压缩前后记录指标 + CollapseLog commit |
| `OnSubagentStart/Stop` | 传递子代理 prompt 和结果摘要 |
| `PermissionRequest / PermissionDenied` | 权限决策覆盖和审计 (P1) |

详见 [hooks.md](hooks.md)。

---

## Claude Code 工具按需发现机制（参考分析）

> 当前项目工具数量较少（~25 个），尚未实现此机制。以下为 Claude Code 的设计分析，作为未来工具增长时的参考。

### 要解决的问题

当接入大量 MCP 工具（30+ 服务器，100+ 工具）时，所有工具的完整 JSON Schema 在每轮 API 调用中占据大量上下文——绝大多数工具从未被调用，却每轮都在消耗 token。Claude Code 的解决方案：**延迟加载 + 按需发现**。

### 两层架构

**Layer 1: `defer_loading` 标记**

工具分为两类：

| 类型 | 行为 | 示例 |
|------|------|------|
| 常驻工具 | 始终在 `tools` 数组中，立即可用 | Read、Write、Bash、Glob、Grep、Task、TodoWrite |
| 延迟工具 | 标记 `defer_loading: true`，仅在模型主动发现后才加入 `tools` 数组 | MCP 工具、EnterPlanMode、NotebookEdit、LSP 工具 |

判断逻辑（`isDeferredTool()`）：
```
1. alwaysLoad == true → 永不延迟
2. isMcp == true → 始终延迟（除非 MCP server 设 _meta['anthropic/alwaysLoad']）
3. shouldDefer == true → 延迟
```

**Layer 2: ToolSearch 工具 + tool_reference 块**

模型通过 `ToolSearch` 工具按需发现延迟工具：

```
模型: ToolSearch(query: "github create PR")
系统: 返回 tool_reference 块 → [mcp__github__createPullRequest, mcp__github__listPRs]
下次 API 调用: 这两个工具的完整 schema 加入 tools 数组
```

`tool_reference` 是一个特殊的 content block 类型，API 服务端收到后会展开为完整工具定义，模型可以在后续 turn 直接调用。

### 消息流转

```
Turn N:
  tools 数组 = 常驻工具 + ToolSearch + 之前发现过的延迟工具
  <available-deferred-tools> 块列出所有可发现的延迟工具名称
  
  → 模型调用 ToolSearch(query: "slack")
  → tool_result 包含 tool_reference 块: [mcp__slack__sendMessage]

Turn N+1:
  tools 数组 = 常驻工具 + ToolSearch + [mcp__slack__sendMessage, ...]
  → 模型可以直接调用 mcp__slack__sendMessage
```

### 发现状态持久化

`extractDiscoveredToolNames()` 从消息历史中扫描所有 `tool_reference` 块，提取已发现的工具名。压缩时通过 compact boundary marker 的 `preCompactDiscoveredTools` 字段保存已发现集合，防止压缩丢失发现状态。

### 工具发现状态变更通知

两个机制告诉模型有哪些可发现工具：

**Legacy**：`<available-deferred-tools>` 块作为 user 消息前置注入（每次工具池变更都会 bust prompt cache）。

**Modern**：`deferred_tools_delta` 附件——diff 上次通知的工具池，仅发送增量变更（added/removed），避免 bust cache。

### ToolSearch 搜索方式

- **精确选择** `select:ToolA,ToolB` — 按名称直接取工具
- **关键词搜索** `github create PR` — 搜索工具名 + searchHint + description，加权评分
- **必选词** `+slack send` — `+` 前缀表示必须匹配

### 对项目的适用性

| 当前状态 | 是否需要 |
|---------|---------|
| ~25 个工具，schema 总共 ~8K tokens | **暂不需要** |
| 无 MCP 工具接入 | 不需要 |
| 工具数量稳定 | 不需要 |

**触发条件**：当工具数量超过 ~50 或接入 MCP 服务器时，可以按以下步骤接入：
1. 为 MCP 工具设置 `shouldDefer: true` / `isMcp: true`
2. 注册 `ToolSearch` 工具
3. 在 ToolRegistry 中维护 `deferred_tool_names` 集合
4. API 调用时过滤 tools 数组 + 注入 `<available-deferred-tools>` 块
5. 压缩时保存 `preCompactDiscoveredTools` 快照

---

## 相关文件

| 文件 | 职责 |
|:---|:---|
| `src/agent/runtime/system_prompt.rs` | SystemPrompt 组装器 + 6 个静态常量 + SystemPromptCache |
| `src/agent/runtime/mod.rs` | `system_prompt()` + `build_environment_section()` |
| `src/agent/runtime/context.rs` | `build_initial_context()` — 上下文初始化 + 任务恢复 |
| `src/agent/skills.rs` | SkillRegistry — 两层技能加载 + 热重载 |
| `src/agent/memory/mod.rs` | MemoryManager — 按 recency 排序的记忆注入 |
| `src/agent/tools/mod.rs` | ToolRegistry — schema_cache + definition_filter |
| `src/agent/tools/subagent.rs` | 子代理模块化系统提示词构建 |
| `src/agent/subagent.rs` | SubAgentRunner — new_with_registry_and_hooks |
| `src/agent/compact.rs` | 四层压缩 + CollapseLog 集成 |
| `src/agent/compact/collapse.rs` | CollapseLog — 压缩历史记录 + 溢出合并 |
| `src/agent/hooks/` | 生命周期 hook + 提示词交互 |
| `docs/architecture/agent/system-prompt-optimization-plan.md` | 优化计划文档（背景、方案、对比分析） |

---

## 设计要点

1. **静态前置，动态后置**：内容不变的 section 先出现，服务端自然按哈希缓存
2. **首次计算，永久缓存**：session 内一切不变，不需要 TTL；仅在 /clear 时全部失效
3. **模块化 section**：各 section 独立管理，便于调试、增删、A/B 测试
4. **两层 skill 加载**：20 tokens 列表 vs 2000 tokens 全文，按需加载
5. **子代理完整提示词**：共享主代理的静态常量 + 独立 tools 列表
6. **CollapseLog 追踪**：每次压缩记录结构化 commit，溢出自动合并
7. **运行时 nudge**：干预通过 user 消息注入，不修改 system prompt（开闭原则）