99、【Agent】【OpenCode】task 工具提示词(Slash command)(一)

【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Github,Apache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】task 工具提示词(主/子 Agent)

提到了子 Agent 依然连接的是远端大模型,并不是在本地电脑上的一个新程序,而是远端 AI 系统在云端临时开辟的一个专属工作空间,而子 Agent 在执行任务时,也需要推理草稿和中间过程,和主 Agent 一样,一步步思考,试错,读取文件,才能得出结论,然后分析了其中的隔离设计,黑盒作业(子 Agent 在执行任务时,系统会为其开辟一个完全独立,临时的上下文窗口,主 Agent 看不见子 Agent 内部的这些细节,只负责发出指令,然后等待结果),阅后即焚(当子 Agent 完成了所有思考和操作,提炼出最终结论后,将总结交给主 Agent,然后临时上下文窗口会被直接丢弃),所以子 Agent 的核心价值在于,允许 AI 开辟临时上下文窗口去进行深度思考和试错,通过物理隔绝的方式,保证主对话永远感觉,清爽,高质量,下面继续分析

OpenCode

之前 blog 里还提到了斜杠命令 slash command

下面分析下

首先,Slash Command(斜杠命令)不是 Bash 命令,但它们之间可以产生紧密的联动,简单来说,Slash Command 是 OpenCode 和 AI 之间的专属快捷键,或自定义指令包,其本质上是把一长串复杂的提示词 Prompt,封装成了一个以 / 开头的简短命令

SlashCommand 的核心作用是标准化 :用户不需要每次都费劲地跟 AI 解释【帮我审查这段代码的逻辑边界,异常处理,并按照团队规范写一份 PR 描述...】等等,而只需要把这些要求提前写好,封装成一个叫 /review 的命令(可以理解为 AI 的快捷键 ),如果下次再想做这件事的时候,直接在对话框里输入 /review,AI 就会自动调取背后那套完整的指令去执行

当然,Slash Command 可以在内部调用 Bash 命令 ,举个例子,假如创建了一个名为 /commit-push-pr 的 Slash Command,其背后逻辑可能是这样的

  • 第一步,在后台执行命令 !git status,查看改了哪些文件
  • 第二步,接着执行 Bash 命令 !git add . 和 !git commit -m "xxx" 提交代码
  • 第三步,最后根据改动自动生成 Pull Request 描述并提交

上面的 ! 表示执行系统命令,不是 Bash 命令本身的语法,而是当前 AI 工具用来识别和调用 Bash 命令的触发符 ,在普通的 Linux 终端里,用户只要输入 git status 就能直接运行,但在 AI 的对话界面中,AI 需要明确区分,这句话是想要聊天?还是想去后台执行命令操控电脑?

当用户直接在对话框中输入 !git status 时,这个 ! 就相当于一个明确的信号,告诉 AI 直接调用底层的 Bash 工具,把后面的内容当做系统指令去执行 ,而如果没有这个感叹号 !,用户直接发送 git status,AI 可能会误以为在聊天,然后解释一大堆 git status 的概念,而不是去执行命令

在这个过程中,外层的 commit-push-pr 是 Slash Command(给 AI 下达的快捷指令),而内层的 !git status 等则是被 AI 代理执行的 Bash 命令(AI 向操作系统下达的原生指令)

所以总结下

维度 Slash Command Bash 命令
对象 AI 操作系统,终端
本质 封装好的长篇提示词 Prompt 控制计算机的原生程序指令
典型例子 /review,/plan ls,cd,git pull
作用 触发 AI 特定工作流或行为 管理文件,运行程序,配置系统

所以,Slash Command 是指挥 AI 完成任务的高级战术口令,而 Bash 命令则是 AI 或用户可以用来操控电脑的基础动作,前者可以包含,并指挥后者,两者完全不是一回事


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

【Agent】【OpenCode】task 工具提示词(Slash command)(二)

相关推荐
Csvn5 小时前
同一个问题问 100 遍,钱就扣 100 次?精确缓存让它只扣一次(C02)
人工智能·aigc·agent
罗西的思考6 小时前
【轻量化复刻大模型 / KIMI K3】Multi-Token Prediction(MTP / EAGLE-3)(2)
人工智能·算法·机器学习
罗西的思考6 小时前
【轻量化复刻大模型 / KIMI K3】Multi-Token Prediction(MTP / EAGLE-3)(1)
人工智能·算法·机器学习
汤姆宝库7 小时前
BPE分词器的完整实现:字节对合并与词表构建
开发语言·人工智能·c#
岁月宁静7 小时前
从零拆解 AI 语音模拟面试系统
人工智能·python·agent
武子康7 小时前
H3-World 接入 Game Agent:谁来判断门真的打开了?
人工智能·算法·机器学习
可乐ea8 小时前
MCP 和 CLI 差 42 倍:一次 GitHub 任务的上下文成本实测
人工智能·github·工具调用·ai智能体·openrouter·mcp协议·上下文优化
kyriewen8 小时前
编辑弹窗点了取消,列表里的数据怎么还是变了?
前端·javascript·人工智能
小七-七牛开发者8 小时前
周 1 上线 | DSH 喜提原神进场动画,Anthropic 启动 IPO 路演;黄仁勋辞任;微软全球大宕机超 24 小时
ai·大模型·agent·token·工作流·claudecode·ai coding
泯泷9 小时前
Multica 真正打动我的,不是更多 Agent,而是一种新的团队协作方式
人工智能·llm·agent