Repo Prompt

在 AI 辅助编程日益普及的今天，大多数代理模型在开始真正思考之前，就已经将宝贵的上下文窗口浪费在了工具调用、重复文件读取和不相关代码上。Repo Prompt 是一款AI 驱动上下文 IDE，它通过精准的上下文工程，确保模型从第一个 Token 开始就能专注于问题解决，而非摸索代码库结构。值得注意的是，该项目已被 OpenAI 收购，目前免费使用并即将开源。

核心突破：最大化推理密度

传统代理的上下文往往只有 ~14%用于实际推理，而 Repo Prompt 通过预先构建高质量上下文，实现了 100% 的推理用于解决问题。

工作原理：三阶段上下文构建管道

Repo Prompt 通过一个自动化的三阶段管道，为每次交互提供最优上下文：

1. 探索 (Explore)：发现代理导航代码库，读取文件并理解模块间关系。
2. 策划 (Curate)：在 Token 预算内，利用代码地图和行切片技术，选择最高密度的相关文件。
3. 交接 (Handoff)：将结构化提示传递给分析模型，用于规划、审查或深度问答。

三种工作模式

1. IDE 模式

• 完全控制：用户手动选择文件、查看代码地图、调整上下文，精心设计提示词。
• 适用场景：需要精细控制模型视野的复杂调试或架构设计。

2. 代理模式 (专业版)

• 自动化管理：由编码代理自动执行上下文工程最佳实践（代码地图、切片、Token 预算）。
• 内置工作流：一键运行标准化任务，无需手动干预。

3. 内置 MCP 服务器 (专业版)

• 生态集成：任何兼容 MCP (Model Context Protocol) 的工具均可访问 Repo Prompt 的上下文工具。
• 一键安装：轻松集成到现有 AI 开发栈中。

内置高效工作流

Repo Prompt 提供了一系列现成的上下文工程管道，可直接由代理运行：

• Plan & Build (/rp-build)：发现 → 规划 → 在单次会话中实现功能。
• Orchestrate (/rp-orchestrate)：规划 → 分解任务 → 并行/顺序分派子代理 → 验证结果。
• Review (/rp-review)：结合 Git 差异与代码库上下文，进行有根据的代码审查。
• Investigate (/rp-investigate)：系统性探索代码库，收集证据以定位问题根源。
• Refactor (/rp-refactor)：两遍法（分析然后实现），确保在保持行为不变的前提下优化代码。

为什么重要：从“通用建议”到“有根据的反馈”

• ✅ 全局视野：在行动前考虑权衡与边缘情况，避免架构漂移。
• ✅ 遵循规范：基于现有代码模式提供建议，保持代码库一致性。
• ✅ 拒绝重复：识别已有功能，提供更简单的复用方案。
• ✅ 精准相关：所有反馈均基于真实代码上下文，而非通用幻觉。