analysis_claude_code/s10_system_prompt/README.zh.md

s10: Context Assembly — 在运行时组装模型输入

English · 中文 · 日本語

s01 → ... → s08 → s09 → s10 → s11 → s12 → ... → s20 → s21

"模型输入是组装出来的，不是写死的" — 稳定分段 + 运行时状态 + 缓存。

Harness 层: 上下文组装 — 把稳定指令和动态状态组成模型输入。

---

问题

从 s01 到 s09，system prompt 都是一行硬编码：

SYSTEM = f"You are a coding agent at {WORKDIR}. Use tools to solve tasks."

s01 够用，只有 bash、read、write 三个工具。但到 s09，Agent 已经有记忆、有压缩、有技能加载。prompt 该提的能力越来越多：

SYSTEM = (
    f"You are a coding agent at {WORKDIR}. "
    "Use tools to solve tasks. Act, don't explain. "
    "Before starting any multi-step task, use todo_write. "
    "Skills are available via list_skills and load_skill. "
    "Relevant memories are injected below when available. "
    # ... 加一个能力就多一段
)

三个问题：

1. 换项目要重写整个 prompt，不知道哪些该改、哪些该留
2. 修改一处可能影响全局，加一段工具描述可能跟前面的指令冲突
3. 每次请求都带全部内容，即使当前对话用不到某些段落也浪费 token

System prompt 应该是运行时根据当前状态组装的配置：哪些工具启用、哪些上下文可见、哪些记忆相关、哪些内容必须保持稳定以命中 prompt cache。

---

解决方案

s10 是上下文管理与错误恢复之间的一节短桥接课。它不增加新的存储系统，也不把 s08 与 s09 合并；它只展示两者的输出如何在模型边界汇合：把硬编码的 SYSTEM 拆成独立段落（section），运行时根据真实状态按需拼接，并缓存结果。

四个 section，两种加载策略：

Section	加载策略	内容	判断依据
identity	始终	你是谁、怎么做事	始终存在
tools	始终	可用工具列表	enabled_tools
workspace	始终	工作目录	始终存在
memory	按需	相关记忆内容	.memory/MEMORY.md 是否存在

关键设计：section 是否加载取决于真实状态（工具是否存在、文件是否存在），不是消息里的关键词。

---

工作原理

PROMPT_SECTIONS: 分段定义

把一大段字符串拆成字典，每个 key 是一个主题：

PROMPT_SECTIONS = {
    "identity": "You are a coding agent. Act, don't explain.",
}

每个 section 独立维护。修改 tools 不影响 identity，新增 memory 不动 workspace。

assemble_system_prompt: 按需拼接

不是所有 section 每次都需要。当前没有记忆文件，加载 memory section 只是浪费 token。根据 context 的真实状态决定加载哪些：

def assemble_system_prompt(context: dict) -> str:
    sections = []

    # 始终加载
    sections.append(PROMPT_SECTIONS["identity"])

    # 从 context 动态获取 tools 和 workspace
    tools = ", ".join(context.get("enabled_tools", []))
    if tools:
        sections.append(f"Available tools: {tools}.")
    sections.append(f"Working directory: {context.get('workspace', WORKDIR)}")

    # 按需加载 — 基于真实状态，不是关键词
    memories = context.get("memories", "")
    if memories:
        sections.append(f"Relevant memories:\n{memories}")

    return "\n\n".join(sections)

"始终加载"的是每轮都需要的：身份、工具、工作目录。"按需加载"的只在特定条件下才有用。

为什么不全加载？token 有成本（system prompt 每轮计费），信息越少 LLM 越专注（无关指令是噪音）。

get_system_prompt: 缓存避免重复拼接

上下文没变时（同一轮对话的多次 LLM 调用，context 相同），重新拼接是浪费。用确定性序列化检测变化，命中缓存直接返回：

def get_system_prompt(context: dict) -> str:
    global _last_context_key, _last_prompt
    key = json.dumps(context, sort_keys=True, ensure_ascii=False, default=str)
    if key == _last_context_key and _last_prompt:
        return _last_prompt
    _last_context_key = key
    _last_prompt = assemble_system_prompt(context)
    return _last_prompt

用 json.dumps 而不是 hash()：Python 内置 hash() 有进程随机化，不适合做稳定 cache key，而且遇到 list/dict 会报 unhashable type。

context: 真实状态，不是关键词猜测

context 反映当前运行态的真实状态：

def update_context(context: dict, messages: list) -> dict:
    memories = ""
    if MEMORY_INDEX.exists():
        content = MEMORY_INDEX.read_text().strip()
        if content:
            memories = content
    return {
        "enabled_tools": list(TOOL_HANDLERS.keys()),
        "workspace": str(WORKDIR),
        "memories": memories,
    }

enabled_tools 列出实际注册的工具。memories 检查 .memory/MEMORY.md 是否存在。section 加载基于这些真实状态，不在消息里搜关键词。

合起来跑

def agent_loop(messages: list, context: dict):
    system = get_system_prompt(context)
    while True:
        response = client.messages.create(
            model=MODEL, system=system, messages=messages,
            tools=TOOLS, max_tokens=8000)
        # ... 工具执行 ...
        context = update_context(context, messages)
        system = get_system_prompt(context)

每轮循环开头拿一次 system prompt。context 变了就重新组装，没变就返回缓存。

---

相对 s09 的变更

组件	之前 (s09)	之后 (s10)
prompt	硬编码 SYSTEM 字符串	PROMPT_SECTIONS + assemble_system_prompt
缓存	无	get_system_prompt（json.dumps 检测 + 缓存）
新函数	—	assemble_system_prompt, get_system_prompt, update_context
工具	bash, read_file, write_file (3)	bash, read_file, write_file (3) — 不变
循环	用固定 SYSTEM	用 get_system_prompt(context)

---

试一下

cd learn-claude-code
python s10_system_prompt/code.py

安全说明：脚本使用 shell=True 执行模型生成的 bash 字符串，并未接入 s03 的权限闸门。请只在可丢弃的工作区中运行。

观察重点：

1. 输出中能看到哪些 section 被加载了（[assembled] sections: ... 标签）
2. 连续对话时，缓存命中显示 [cache hit]
3. 创建 .memory/MEMORY.md 文件后，下一轮 memory section 自动加载

试试这些 prompt：

1. Read the file README.md（观察始终加载的三个 section）
2. Create a file called .memory/MEMORY.md with content "- [test](test.md) — test memory"（写入记忆索引）
3. Read the file code.py（观察 memory section 是否出现）

---

接下来

模型输入可以在运行时组装了，但 Agent 碰到错误还是会崩。网络抖动、API 限流、输出被截断、上下文超限，这些不是 bug，是常态。

s11 Error Recovery → 四条恢复路径。升级 token、压缩上下文、指数退避、切换模型。