12 KiB
12 KiB
PromptX 架构原理文档
革命性AI增强系统 - 基于循环控制架构的动态专业化AI框架
🎯 核心设计哲学
"AI use CLI get prompt for AI" - AI通过命令行接口获取提示词来增强自身能力
这不是简单的工具调用，而是一个完整的AI能力循环增强系统。
🏗️ 四层双提示词循环架构
📊 架构层次图
graph TD
A["👑 Master<br/>(人类主控)<br/>决策制定者<br/>需求提出者<br/>目标设定者"]
C["🤖 AI<br/>(智能中间层)<br/>意图理解<br/>决策推理<br/>界面操作<br/>能力整合"]
D["🖥️ Interface Layer<br/>(接口层)<br/>AI操作界面<br/>CLI命令接口<br/>标准化协议<br/>RESTful API"]
E["💻 PromptX System<br/>(系统层)<br/>资源管理<br/>状态维护<br/>协议解析<br/>文件操作"]
subgraph "DPML知识库"
F["📝 角色定义<br/>(DPML格式)"]
G["🧠 思维模式<br/>(DPML格式)"]
H["📚 知识体系<br/>(DPML格式)"]
I["🔍 记忆经验<br/>(DPML格式)"]
end
A <-->|"用户提示词<br/>(自然语言交互)"| C
C <-->|"界面操作<br/>(CLI/API调用)"| D
D <-->|"系统调用<br/>(命令执行)"| E
E --> F
E --> G
E --> H
E --> I
F -->|"系统提示词"| E
G -->|"系统提示词"| E
H -->|"系统提示词"| E
I -->|"系统提示词"| E
E -->|"返回结果"| D
D -->|"提示词输出"| C
style A fill:#ff9999
style C fill:#99ff99
style D fill:#99ccff
style E fill:#cc99ff
style F fill:#ffcc99
style G fill:#ffcc99
style H fill:#ffcc99
style I fill:#ffcc99
🎯 各层职责定义
1. 👑 Master (人类主控)
- 身份：决策制定者，系统的最终用户
- 职责：
- 提出需求和目标
- 做出关键决策
- 评估AI的服务质量
- 交互方式：自然语言（用户提示词）
2. 🤖 AI (智能中间层)
- 身份：智能代理，核心协调者
- 职责：
- 理解Master的自然语言需求
- 判断需要什么专业能力
- 通过接口层操作PromptX系统
- 内化系统提示词获得专业能力
- 以专业身份服务Master
- 特点：双重身份 - 既是Master的服务者，又是PromptX的用户
3. 🖥️ Interface Layer (接口层)
- 身份：AI的操作界面，系统的用户界面
- 职责：
- 提供标准化的操作接口（CLI、API等）
- 解析AI的操作指令
- 封装系统调用的复杂性
- 格式化返回结果
- 接口类型：
- CLI接口：
npx promptx action video-copywriter - RESTful API：
GET /api/role/video-copywriter - GraphQL接口：未来扩展方向
- WebSocket接口：实时交互支持
- CLI接口：
4. 💻 PromptX System (系统层)
- 身份：核心计算系统，资源管理器
- 职责：
- 存储和管理DPML格式的专业知识
- 解析和执行接口层传递的命令
- 维护系统状态和上下文
- 提供资源访问和文件操作
- 核心能力：高效的知识检索和状态管理
5. 📝 DPML知识库 (专业化提示词仓库)
- 核心架构：
- core：AI基础能力教育模块
- execution：教会AI系统操作能力（@协议处理、记忆评估等）
- thought：教会AI思维框架（DPML思考模式、评估体系等）
- memory：教会AI记忆管理（记忆触发、存储策略、检索优化等）
- domain：专业领域知识库
- 角色定义：专业身份和人格特征
- 思维模式：思考框架和认知模式
- 知识体系：专业领域的结构化知识
- 记忆经验：历史案例和最佳实践
- core：AI基础能力教育模块
- 格式：标准化DPML标记语言
- 作用：为AI提供即时专业化能力和系统使用能力
🔗 core的桥梁价值
- 连接桥梁：将DPML标记语言、AI能力、PromptX系统三者有机结合
- 能力教学：教会每个AI如何正确使用系统的@协议和记忆功能
- 标准统一：确保所有AI都具备一致的基础操作规范和思维框架
- 评估体系：提供记忆价值判断、质量评估和存储策略的标准
- 桥梁作用：让AI理解如何在DPML和自然语言之间进行转换和应用
🔄 双提示词循环系统
📋 提示词分类
🗣️ 用户提示词 (User Prompt)
- 定义：Master与AI之间的自然语言交互
- 方向：双向 (Master ↔ AI)
- 内容：需求描述、任务指令、反馈评价
- 示例：
Master: "我要做一个30秒的健身视频文案，目标用户是25-35岁的白领" AI: "作为专业视频文案专家，我建议采用痛点+解决方案的结构..."
🛠️ 系统提示词 (System Prompt)
- 定义：PromptX系统提供给AI的专业能力
- 方向：单向 (PromptX → AI)
- 内容：角色定义、专业知识、思维模式、最佳实践
- 格式：DPML结构化标记
- 示例：
<role domain="video-copywriting"> <personality>创意性、故事性、营销性思维</personality> <principle>用户价值优先、结构化表达、平台适配</principle> <knowledge>AIDA框架、故事叙述技巧、心理学原理</knowledge> </role>
🔄 循环增强机制
sequenceDiagram
participant M as 👑 Master
participant AI as 🤖 AI
participant PX as 💻 PromptX
Note over M,PX: 第一循环：能力获取
M->>AI: "我需要视频文案服务"<br/>(用户提示词)
Note over AI: AI分析：需要视频文案专业能力
AI->>PX: npx promptx action video-copywriter<br/>(CLI命令)
PX->>AI: 返回完整的视频文案专家定义<br/>(系统提示词)
Note over AI: AI内化：获得专业思维模式和知识体系
Note over M,PX: 第二循环：专业服务
AI->>M: "我现在具备专业视频文案能力，<br/>请描述具体需求"<br/>(用户提示词)
M->>AI: "30秒健身视频文案，<br/>目标用户25-35岁白领"<br/>(用户提示词)
Note over AI: AI基于专业能力提供服务
Note over M,PX: 第三循环：能力增强
Note over AI: AI判断：需要更多领域知识或经验
AI->>PX: npx promptx recall 健身营销<br/>(CLI命令)
PX->>AI: 返回相关记忆和最佳实践<br/>(系统提示词)
AI->>M: 基于增强能力提供更专业的服务<br/>(用户提示词)
详细流程说明
第一循环：能力获取
- Master → AI: "我需要视频文案服务" (用户提示词)
- AI 分析: 需要视频文案专业能力
- AI → PromptX:
npx promptx action video-copywriter(CLI命令) - PromptX → AI: 返回完整的视频文案专家定义 (系统提示词)
- AI 内化: 获得专业思维模式和知识体系
第二循环：专业服务 6. AI → Master: "我现在具备专业视频文案能力，请描述具体需求" (用户提示词) 7. Master → AI: 详细需求描述 (用户提示词) 8. AI 基于专业能力提供服务
第三循环：能力增强
9. AI 判断: 需要更多领域知识或经验
10. AI → PromptX: npx promptx recall 健身营销 (CLI命令)
11. PromptX → AI: 返回相关记忆和最佳实践 (系统提示词)
12. AI → Master: 基于增强能力提供更专业的服务 (用户提示词)
🚀 系统优势分析
🎯 传统AI vs PromptX驱动AI
| 特性 | 传统AI | PromptX驱动AI |
|---|---|---|
| 能力模式 | 静态、固定 | 动态、可扩展 |
| 专业深度 | 泛化知识 | 按需专业化 |
| 记忆能力 | 会话级 | 跨会话持久 |
| 学习机制 | 被动接受 | 主动获取 |
| 上下文处理 | 有限长度 | 锦囊自包含 |
| 角色一致性 | 易偏移 | 系统强化 |
💡 革命性创新点
1. 🎭 动态角色系统
- AI不再是单一身份
- 按需获得专业角色能力
- 角色切换无缝衔接
2. 🧠 主动能力增强
- AI主动识别能力需求
- 通过CLI命令获取专业知识
- 形成能力积累和复用
3. 🔄 闭环自我进化
- 使用 → 记忆 → 回忆 → 增强
- 每次交互都增强AI能力
- 知识库持续扩充
4. 🎒 锦囊自包含设计
- 每个输出包含完整上下文
- 解决AI健忘症问题
- 支持分布式和异步处理
🛠️ 技术实现原理
📋 PATEOAS状态机
stateDiagram-v2
[*] --> 初始化
初始化 --> 角色发现: hello
角色发现 --> 角色激活: action
角色激活 --> 能力学习: learn
能力学习 --> 专业服务: 完成
专业服务 --> 能力回忆: recall
能力回忆 --> 专业服务: 获得经验
专业服务 --> 记忆保存: remember
记忆保存 --> 专业服务: 保存成功
专业服务 --> 角色发现: 切换角色
专业服务 --> [*]: 任务完成
🏷️ DPML协议体系
- 标准化标记：
<role>,<thinking>,<executing> - 语义明确：通过标签表达提示词结构
- 协议绑定：支持引用和组合
- core教育模块：
- 为AI提供系统操作基础教育
- 统一@协议处理标准
- 建立记忆评估和管理机制
- 确保DPML思维框架的正确理解和应用
📁 统一资源协议
@role://video-copywriter # 角色定义
@thought://creative-thinking # 思维模式
@execution://content-creation # 执行框架
@memory://video-success-cases # 历史经验
🎭 角色能力矩阵
graph LR
AI["🤖 AI (智能中间层)"]
subgraph "专业角色库"
R1["🎬 视频文案专家<br/>video-copywriter"]
R2["🎯 产品负责人<br/>product-owner"]
R3["🔧 提示词开发者<br/>prompt-developer"]
R4["🧪 测试助手<br/>test-assistant"]
R5["🙋 智能助手<br/>assistant"]
end
subgraph "能力组件"
P["💭 Personality<br/>思维模式"]
PR["📏 Principle<br/>行为原则"]
K["📚 Knowledge<br/>知识体系"]
end
subgraph "记忆系统"
M["🧠 Memory<br/>经验记忆"]
E["⚡ Experience<br/>最佳实践"]
end
AI -->|"npx promptx action"| R1
AI -->|"npx promptx action"| R2
AI -->|"npx promptx action"| R3
AI -->|"npx promptx action"| R4
AI -->|"npx promptx action"| R5
R1 --> P
R1 --> PR
R1 --> K
AI -->|"npx promptx recall"| M
AI -->|"npx promptx learn"| E
style AI fill:#99ff99
style R1 fill:#ffcc99
style R2 fill:#ffcc99
style R3 fill:#ffcc99
style R4 fill:#ffcc99
style R5 fill:#ffcc99
🎯 应用场景分析
🎬 内容创作场景
Master: "写一个产品发布的朋友圈文案"
AI执行流程:
1. npx promptx action copywriter # 获得文案专家能力
2. npx promptx recall 产品发布 # 回忆相关经验
3. 基于专业能力+历史经验创作文案
4. npx promptx remember 成功案例 # 保存优秀案例
🏢 项目管理场景
Master: "我们的敏捷开发遇到了阻碍"
AI执行流程:
1. npx promptx action product-owner # 获得产品负责人能力
2. npx promptx recall 敏捷问题 # 回忆解决方案
3. 基于专业框架分析问题并提供建议
4. npx promptx remember 解决方案 # 保存成功经验
🔮 未来发展方向
🎯 能力矩阵扩展
- 更多专业角色定义
- 跨领域能力组合
- 动态角色生成
🧠 智能决策优化
- AI自主判断所需能力
- 多角色协同工作
- 能力链自动规划
🌐 分布式架构
- 多AI节点协作
- 能力库共享
- 知识图谱构建
📚 总结
PromptX通过五层循环控制架构和双提示词系统，实现了AI能力的动态增强和专业化服务。这种设计不仅解决了传统AI的局限性，更开创了AI自主进化的新范式。
核心价值：让AI从被动工具变成主动学习的专业助手，真正实现"AI越用越聪明"的理想。