​简介​

​​system-prompts-and-models-of-ai-tools​​ 是由开发者x1xh创建的AI工具逆向工程资源库，通过解密20,000+行系统提示词和模型配置，揭示了Cursor、Devin、Replit Agent等顶级AI工具的内部工作机制。该仓库已成为AI开发者理解商业级AI系统设计的"罗塞塔石碑"，日均访问量超5万次。

🔗 ​GitHub 地址​：

https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools

💬 ​社区频道​：

Discord: x1xh (获取实时更新)

---

​核心资源亮点​

1. ​全栈AI工具解密​

   ​工具名称​	​解密内容​	​技术价值​
   ​Cursor​	代码补全提示词架构	多轮上下文处理机制
   ​Devin​	软件工程Agent决策树	任务分解算法
   ​Replit Agent​	云端开发环境工作流	容器化执行策略
   ​Manus​	文档生成提示链	结构化内容控制
   ​v0​	设计生成提示工程	多模态协调策略

2. ​三层解析深度​

   

3. ​安全警示系统​

   • 附带AI系统安全审计指南

   • ZeroLeaks漏洞检测方案

   • 企业级防护建议

---

​资源获取与使用​

极简获取方式

# 克隆仓库
git clone https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools

# 浏览工具目录
cd system-prompts-and-models-of-ai-tools/Cursor\ Prompts

文件结构解析

├── Devin AI/
│   ├── system_prompt.txt  # 核心决策提示词
│   ├── task_decomposition.md # 任务分解算法
│   └── error_handling_rules.json # 异常处理规则
├── Replit/
│   └── container_orchestration.py # 容器管理逻辑
└── v0 Prompts/
    └── design_generation.yaml # 多模态协调配置

---

​使用指南​

1. 学习顶级提示工程

​Devin任务分解逻辑​：

# Devin_AI/task_decomposition.md
1. 用户目标 --> 解析为原子任务
2. 每个原子任务匹配工具链：
   - 编码任务 → 调用代码生成模块
   - 调试任务 → 激活错误诊断树
3. 结果聚合 --> 人类可读报告

2. 复现商业级AI功能

​构建类Cursor代码助手​：

from decrypted_tools import cursor_prompts

def code_completion(prompt: str, context: list) -> str:
    system_prompt = cursor_prompts.load("multifile_context")
    return llm_call(
        system_prompt,
        user_input=f"{context}\n\n{prompt}",
        temperature=0.2
    )

3. 安全加固自研系统

使用ZeroLeaks检测流程：

---

​应用场景实例​

1. ​创业团队加速开发​

   • ​挑战​：从零构建AI编程助手需6个月

   • ​方案​：复用Devin任务分解+Cursor上下文处理

   • ​成效​：2周上线MVP，错误率降低40%

2. ​企业安全审计​

   • ​痛点​：金融公司AI系统存在提示词泄露风险

   • ​操作​：

     • 使用仓库中的安全指南

     • 实施ZeroLeaks扫描

     • 重构提示词注入机制

   • ​结果​：通过ISO 27001认证

3. ​教育机构研究​

   • ​课程​："商业AI系统逆向工程"

   • ​教材​：仓库中的架构对比图

   • ​实验​：学生重构Replit容器管理模块

   • ​产出​：优化版本效率提升30%

---

​核心解密案例​

Devin的软件工程决策树

# Devin_AI/decision_tree.py
def handle_task(task):
    if task.type == "CODING":
        return execute_coding_pipeline(task)
    elif task.type == "DEBUG":
        return run_debug_protocol(task)
    elif task.type == "DEPLOY":
        if cloud_provider == "AWS":
            return aws_deployment_flow(task)
        elif cloud_provider == "GCP":
            return gcp_deployment_flow(task)

Cursor的多文件上下文处理

## Cursor上下文管理规则
1. 自动识别打开的文件作为上下文
2. 优先参考同目录下的相关文件
3. 对>1000行文件进行摘要处理
4. 保留最近5个用户问题的历史

v0的多模态协调策略

# v0 Prompts/design_generation.yaml
coordination_rules:
  text_to_design:
    - step: interpret_requirements
      tools: [text_parser, design_system_matcher]
    - step: generate_layout
      tools: [grid_generator, spacing_calculator]
    - step: apply_style
      tools: [style_transfer, color_palette_extractor]

---

支持与贡献

资助项目

• ​PayPal: lucknitelol@proton.me

• ​加密货币​：

  • BTC: bc1q7zldmzjwspnaa48udvelwe6k3fef7xrrhg5625

  • ETH: 0x3f844B2cc3c4b7242964373fB0A41C4fdffB192A

社区协作

• 提交新解密工具

• 完善现有解析文档

• 报告企业安全漏洞

---

🔐 ​安全警告​：

AI初创公司应使用ZeroLeaks定期扫描系统

⚠️ ​法律声明​：资源仅限学习研究

​该仓库正在重塑AI开发透明度——通过揭开商业AI系统的黑箱，它让开发者从"用户"变为"架构师"，正如仓库创建者所述：

​​"理解巨人，才能超越巨人"​​

已有50+创业团队基于这些资源构建出创新AI产品，平均缩短研发周期60%，成为AI开发者不可或缺的逆向工程宝典。