adk-repo-prompt-analysis

Goal

Prerequisites

• 理解相关领域的基本概念
• 熟悉项目结构和工作流程
• 具备基本的文档编写能力

逆向分析目标仓库中的 Prompt、系统指令、上下文构造方式，输出结构化分析报告。

Workflow

执行流程（四阶段）

阶段 1: 项目结构探索

1. 扫描目录结构，识别语言框架
2. 定位关键目录：skills/、agents/、commands/、prompts/、scripts/
3. 统计资产规模（文件数、行数、语言分布）

阶段 2: 提示词识别与提取

使用 4 种方法交叉验证：

1. 文件名模式匹配：搜索 *prompt*、*system*、*instruction*、*SKILL.md、*AGENTS.md
2. 代码变量搜索：搜索 system_prompt、user_prompt、messages、content= 等变量赋值
3. API 调用特征搜索：搜索 chat.completions、model.generate、invoke 等 API 调用
4. 配置文件检查：搜索 .yaml、.toml、.json 中的 prompt/message 字段

阶段 3: 提示词文档化

对每个识别到的 Prompt，提取：

• 位置（文件路径 + 行号）
• 类型（system/user/template/hybrid）
• 用途（一句话描述）
• 上下文工程手法（渐进式加载/条件注入/模板填充）
• 确定性程度（纯 LLM 即兴 vs 脚本辅助构造）

阶段 4: 分析报告

输出 prompt-analysis.md，包含：

1. 项目概述
2. Prompt 清单（表格）
3. 上下文工程模式分析
   • Agent 型：LLM 自主决策循环，分析工具定义和 Tool Schema
   • 嵌入型：LLM 作为工具，分析前序上下文构造
4. Mermaid 数据流图
5. 可借鉴点清单

## 来源 方法论来源于 comeonzhj/comeonzhj-claude-plugins 的 howPrompt.md，经 adk 本地化改造。

核心原则

• 反向推导：不依赖文档自述，从实现细节反推设计意图
• 证据驱动：所有结论必须指向具体文件/行号
• 上下文工程思维：关注如何为 LLM 构造输入上下文

与其他 Skill 的关系

• 与 adk-skill-deep-analysis 配合使用：先用本 skill 提取 Prompt，再用深度分析流程拆解 Skill 设计
• 输出可直接用于 adk 的 adoption-matrix.md 更新

Quality Gate

• 分析报告必须包含具体文件/行号证据
• 禁止直接引用 description 字段，必须从实现反推
• 5 维评分每项必须给出≥1个具体证据
• 输出报告必须包含"可借鉴点清单"章节

Commands

# 分析仓库的 prompt 结构
bash scripts/devkit.sh analyze --repo <repo-path>

# 生成分析报告
bash scripts/devkit.sh analyze --repo <repo-path> --output reports/analysis.md

# 验证分析结果
bash scripts/devkit.sh verify --analysis reports/analysis.md

Evidence Template

分析报告模板

# <仓库名> Prompt 分析报告

> 分析时间: YYYY-MM-DD
> 分析工具: adk-repo-prompt-analysis

## 发现的 Prompts

| # | 文件路径 | Prompt 类型 | 用途 |
|---|---------|------------|------|
| 1 | ... | ... | ... |

## 建议

- 建议 1
- 建议 2

## 验证

- [ ] 所有 prompts 已识别
- [ ] 分类准确
- [ ] 建议可执行