diff --git a/wiki/sources/2025年11个神级AI开源平替.md b/wiki/sources/2025年11个神级AI开源平替.md
new file mode 100644
index 00000000..bc24fa8f
--- /dev/null
+++ b/wiki/sources/2025年11个神级AI开源平替.md
@@ -0,0 +1,59 @@
+---
+title: "2025 年 11 个神级 AI 开源平替"
+type: source
+tags: ['AI', '开源', 'DeepSeek', 'Qwen', 'Flux', 'HunyuanVideo', 'OpenManus', 'Cline', 'GitHub']
+date: 2026-01-01
+source: https://mp.weixin.qq.com/s/
+author: 逛逛
+---
+
+## Source File
+- [[raw/AI/2025 年 11 个神级 AI 开源平替，GitHub 杀疯了。.md]]
+
+## Summary
+- 核心主题：2025 年 GitHub 最火的 11 个 AI 开源平替项目，横跨 LLM/AI生图/AI生视频/AI Agent/AI编程 五大方向
+- 问题域：闭源 AI 产品主导市场，但开源社区持续推出性能逼近甚至部分超越闭源的替代方案
+- 方法/机制：按应用方向分类，每个方向推荐 1-3 个最优开源项目及核心优势
+- 结论/价值：国产开源模型（DeepSeek R1、Qwen 3、HunyuanVideo）在多个维度已超越国际竞争者；Manus 以数十亿美元被 Meta 收购标志着 AI Agent 元年正式开启
+
+## Key Claims
+### 大语言模型
+- **DeepSeek R1**：2025 年春节破壁者，开源首个 o1 级深度推理模型，价格战主力
+- **Qwen 3**：开源界六边形战士，全尺寸覆盖，极致工具调用能力，最稳最全基座模型
+- **国产其他**：智谱 GLM、Kimi K2、MiniMax
+
+### AI 生图
+- **Flux**（前 SD 核心团队）：开源 Midjourney，人体解剖学最正确开源模型，精准文字渲染（海报/Logo 能力）
+- **Stable Diffusion 3.5**：LoRA+ControlNet 生态最丰富，动漫角色、精确姿势控制首选，中端显卡友好
+
+### AI 生视频
+- **HunyuanVideo**（腾讯）：开源参数量最大视频生成模型之一，中文 Prompt 理解天花板，动作连贯符合物理直觉，高分辨率原生支持
+
+### 通用智能体
+- **Manus**：2025 年现象级产品，定义 AI Agent 元年，被 Meta 数十亿美元收购
+- **OpenManus**（Manus 开源平替）：5万+ Stars，规划→执行→循环反馈，自己打开浏览器搜索、读取网页、写 Python 代码
+
+### AI 编程
+- **Cline**（Cursor 开源平替）：VS Code 最强开源自主编程插件，MCP 扩展连接本地数据库，敏感操作需用户授权（安全+自主平衡）
+
+## Key Quotes
+> "DeepSeek R1 是开源界首个将 o1 级深度推理拉下神坛的破壁者。"
+> "Qwen 3 是最稳、最全、最能打的基座模型，流水的开源模型，铁打的通义千问。"
+
+## Key Entities
+- [[DeepSeek R1]]：国产深度推理开源大模型
+- [[Qwen 3]]：阿里通义千问，开源六边形战士
+- [[Manus]]：AI Agent 元年里程碑产品，被 Meta 收购
+- [[OpenManus]]：Manus 开源实现，规划-执行-循环反馈
+- [[HunyuanVideo]]：腾讯混元视频，开源视频生成
+- [[Flux]]：开源图像生成，文字渲染能力最强
+- [[Cline]]：VS Code 开源 AI 编程插件
+
+## Connections
+- [[DeepSeek R1]] ← competes_with ← [[OpenAI o1]]
+- [[Qwen 3]] ← is_open_source_alternative_to ← [[GPT-4]]
+- [[OpenManus]] ← is_open_source_of ← [[Manus]]
+- [[Cline]] ← is_open_source_alternative_to ← [[Cursor]]
+
+## Contradictions
+- （无已知冲突）
diff --git a/wiki/sources/LLMs、RAG、AI Agent 三个到底什么区别？.md b/wiki/sources/LLMs、RAG、AI Agent 三个到底什么区别？.md
index 02d2aff9..1ca96c56 100644
--- a/wiki/sources/LLMs、RAG、AI Agent 三个到底什么区别？.md	
+++ b/wiki/sources/LLMs、RAG、AI Agent 三个到底什么区别？.md	
@@ -1,37 +1,49 @@
 ---
-title: "LLMs、RAG、AI Agent三个到底什么区别"
+title: "LLM、RAG、AI Agent 三者区别详解"
 type: source
-tags: [llm, rag, ai-agent]
+tags: ['LLM', 'RAG', 'AI Agent', 'AI', '入门', '概念区分']
 date: 2025-11-19
+source: https://mp.weixin.qq.com/s/
+author: AI工程化
 ---
 
 ## Source File
 - [[raw/AI/LLMs、RAG、AI Agent 三个到底什么区别？.md]]
 
 ## Summary
-- 核心主题：LLM、RAG、AI Agent三者区别
-- 问题域：AI应用开发初学者容易混淆这三个概念
-- 方法/机制：分层定位，LLM思考、RAG认知、Agent执行
-- 结论/价值：三者不是竞争技术，而是在不同层面满足不同场景的能力展示
+- 核心主题：用通俗比喻解释 LLM、RAG、AI Agent 三个核心 AI 应用概念的区别与关系
+- 问题域：初入 AI 应用的开发者被这三个术语混淆，不理解它们是互补关系而非竞争关系
+- 方法/机制：比喻法——LLM 是"天才大脑"、RAG 是"随身图书馆助理"、AI Agent 是"能走能想能查的完整行动系统"
+- 结论/价值：三者不是竞争技术，而是在三个不同层面满足不同场景的能力展示；未来架构=LLM(推理)+RAG(准确性)+Agent(自主性)
 
 ## Key Claims
-- LLM是"天才大脑"，擅长思考但对当前情况一无所知
-- RAG是"随身图书馆助理"，提供实时信息消除幻觉
-- AI Agent是智能体，围绕LLM构建循环控制系统，能感知、规划、执行、反思
-- 未来架构设计在于将三者结合：LLM推理、RAG准确性、Agent自主性
+- **LLM（天才大脑）**：学习了过去所有知识，能回答问题，但知识有截止日期，不知当前信息
+  - 底座模型：ChatGPT、DeepSeek、Qwen（通用）
+  - 专有模型：Midjourney（绘画）、Claude（编程）等（专项训练）
+- **RAG（检索增强生成）= 随身图书馆助理**：将静态 LLM 链接到外部实时知识库，解决知识时效性问题
+  - 流程：用户提问 → 检索外部知识库 → 将相关 chunk+原始问题输入 LLM → 基于上下文生成答案
+  - 优势：知识更新无需重新训练、消歧义、引用来源
+- **AI Agent（智能体）**：有脑+有信息+有行动能力，构建"感知→规划→执行→反思"循环控制系统
+  - 五步循环：获取任务→扫描场景→仔细思考→采取行动→观察迭代
+  - RAG 提供给 Agent "借书证"，使其立足于事实而非幻觉
+- 三者关系：LLM=思考，RAG=认知（准确信息），Agent=执行，三者叠加构成完整生产系统
+
+## Key Quotes
+> "LLM 在思考方面非常出色，但对当前情况却一无所知。"
+> "RAG 就像是给那个'全能天才大脑'配备了一位随身图书馆助理。"
+> "用 LLM 进行推理，用 RAG 确保准确性，用 Agent 框架实现自主性。"
 
 ## Key Concepts
-- [[LLM]]：大语言模型，AI应用的"天才大脑"
-- [[RAG]]：检索增强生成，AI的"随身图书馆助理"
-- [[AI Agent]]：智能体，具备感知-规划-执行-反思的循环控制
-- [[幻觉]]：LLM生成错误信息的问题
-
-## Key Entities
+- [[LLM]]：大语言模型，AI 应用的"天才大脑"，负责推理和生成
+- [[RAG]]（检索增强生成）：解决 LLM 知识时效性问题，为模型提供外部实时知识查询能力
+- [[AI Agent]]：智能体，感知-规划-执行-反思的闭环自主系统
+- [[Agent五步循环]]：获取任务→扫描场景→仔细思考→采取行动→观察迭代
+- [[三层AI架构]]：LLM(思考层)+RAG(知识层)+Agent(行动层)，三者缺一不可
 
 ## Connections
-- [[LLM]] ← provides ← [[思考能力]]
-- [[RAG]] ← extends ← [[LLM]]
-- [[AI Agent]] ← uses ← [[LLM]]
-- [[AI Agent]] ← uses ← [[RAG]]
+- [[AI Agent]] ← uses ← [[RAG]]（Agent 通过 RAG 获取实时信息）
+- [[AI Agent]] ← uses ← [[LLM]]（Agent 的核心推理引擎）
+- [[RAG]] ← augments ← [[LLM]]（RAG 扩展 LLM 的知识边界）
 
 ## Contradictions
+- 常见误解：认为三者择一使用。实际上生产级系统三者叠加，缺一不可
diff --git a/wiki/sources/Nano Banana 提示词框架.md b/wiki/sources/Nano Banana 提示词框架.md
index 59a12b28..f917b39a 100644
--- a/wiki/sources/Nano Banana 提示词框架.md	
+++ b/wiki/sources/Nano Banana 提示词框架.md	
@@ -1,35 +1,37 @@
 ---
-title: "Nano Banana提示词框架"
+title: "Nano Banana 提示词框架：物件与人物结构化描述模板"
 type: source
-tags: [nano-banana, prompt-engineering, image-generation]
-date: 2025-03-15
+tags: ['NanoBanana', 'Prompt', '图像生成', 'Google', 'AI', '提示词框架']
+date: 2025-10-01
+source:
+author: shenwei
 ---
 
 ## Source File
 - [[raw/AI/Nano Banana 提示词框架.md]]
 
 ## Summary
-- 核心主题：Nano Banana图像生成提示词框架
-- 问题域：如何结构化描述图像生成需求
-- 方法/机制：物件描述框架和人物描述框架的JSON结构
-- 结论/价值：通过标准化框架精确控制AI生成图像
+- 核心主题：Nano Banana 图像生成模型的系统化 Prompt 框架，提供物件和人物两类结构化描述模板
+- 问题域：用户不知道如何结构化地描述画面元素，导致生成结果不稳定或不精确
+- 方法/机制：将图像描述分解为 shot/subject/environment/lighting/camera/color_grade/style/quality/negatives 等字段，填入 JSON 模板
+- 结论/价值：结构化 Prompt 是 Nano Banana 生成高质量图像的关键，比自由文本描述准确率高得多
 
 ## Key Claims
-- 物件描述框架：shot、subject（item/materials/details/condition）、environment、lighting、camera、color_grade、style、quality、negatives
-- 人物描述框架：subject（age/appearance/pose）等字段
-- Nano Banana是Google的图像生成模型
+- **物件描述框架**：shot + subject(item/materials/details/condition) + environment + lighting + camera(focal_length/aperture/angle) + color_grade + style + quality + negatives
+- **人物描述框架**：shot + subject(age/gender/race/build/clothing/hair/facial expression) + environment + lighting + camera + style
+- **核心字段**：shot（景别）、negatives（负向提示词，用于排除不需要的元素）、camera（镜头参数）
+- Nano Banana 的差异化优势：文本渲染（精准文字植入图像）、4K 分辨率、角色一致性
 
 ## Key Concepts
-- [[提示词框架]]：结构化描述图像生成需求的模板
-- [[Nano Banana]]：Google AI图像生成模型
-- [[物件描述]]：商品/物品的标准化描述结构
-- [[人物描述]]：人物的标准化描述结构
+- [[NanoBanana]]：Google 专业级 AI 图像生成模型
+- [[结构化Prompt框架]]：将图像描述分解为标准字段，减少生成不确定性
+- [[负向提示词]]（Negatives）：明确告诉模型不要出现什么，提升画面纯净度
 
 ## Key Entities
-- [[Nano Banana]]：Google AI图像生成模型
+- [[Google]]：Nano Banana 开发商
 
 ## Connections
-- [[AI图像生成]] ← uses ← [[提示词框架]]
-- [[Nano Banana]] ← supports ← [[提示词框架]]
+- [[NanoBanana]] ← uses ← [[结构化Prompt框架]]
 
 ## Contradictions
+- （无已知冲突）
diff --git a/wiki/sources/RAG从入门到精通系列1基础RAG.md b/wiki/sources/RAG从入门到精通系列1基础RAG.md
new file mode 100644
index 00000000..6956fc60
--- /dev/null
+++ b/wiki/sources/RAG从入门到精通系列1基础RAG.md
@@ -0,0 +1,42 @@
+---
+title: "RAG 从入门到精通系列1：基础 RAG 完全指南"
+type: source
+tags: ['RAG', 'LLM', '检索增强生成', 'Embedding', '向量数据库', 'LangChain', '教程']
+date: 2025-01-16
+source: https://mp.weixin.qq.com/s/
+author: 南七无名式
+---
+
+## Source File
+- [[raw/AI/RAG从入门到精通系列1：基础RAG.md]]
+
+## Summary
+- 核心主题：RAG（检索增强生成）基础概念与三步流程（Indexing→Retrieval→Generation）详解
+- 问题域：LLM 知识有截止日期且无法直接访问私有/最新数据，RAG 解决此信息缺失问题
+- 方法/机制：外部文档→切分(Split)→向量化(Embedding)→存储向量数据库→用户提问→检索相关Chunk→输入LLM生成答案
+- 结论/价值：RAG 是 LLM 连接私有知识的标准方案，基础 RAG 三步流程是所有高级 RAG 技巧的基础
+
+## Key Claims
+- **RAG 三步流程**：
+  1. **Indexing（索引）**：加载外部文档 → 切分为 chunks → 向量化 → 存入向量数据库
+  2. **Retrieval（检索）**：用户问题向量化 → 从向量库检索 top-k 相关 chunks
+  3. **Generation（生成）**：将问题+检索结果作为上下文输入 LLM → 生成最终答案
+- **Embedding（向量化）**：将文本转为捕获语义的固定长度向量；余弦相似度计算相关性
+- **Chunking（切分）**：Embedding 模型 context window 有限（512-8192 tokens），需将文档切分为满足窗口的 chunks
+- **LangChain**：RAG 主流开发框架，160+ 文档加载器，支持多种向量数据库
+- Embedding 模型选择：开源（BAAI 系列）为主流方案
+
+## Key Concepts
+- [[RAG]]（检索增强生成）：解决 LLM 知识时效性和私有数据访问问题的标准方案
+- [[Indexing]]：RAG 第一步，文档→chunk→vector→vectorDB
+- [[Embedding]]：文本→语义向量的转换过程，是 RAG 检索的核心
+- [[Chunking]]：将长文档切分为适合 embedding 模型 context window 的小块
+- [[向量数据库]]：存储 embedding vectors 的数据库，支持余弦相似度检索
+
+## Connections
+- [[RAG]] ← is_composed_of ← [[Indexing]] + [[Retrieval]] + [[Generation]]
+- [[Embedding]] ← is_step_in ← [[Indexing]]
+- [[Chunking]] ← is_step_in ← [[Indexing]]
+
+## Contradictions
+- （无已知冲突）
diff --git a/wiki/sources/大模型相关术语和框架总结.md b/wiki/sources/大模型相关术语和框架总结.md
new file mode 100644
index 00000000..9d0eaea5
--- /dev/null
+++ b/wiki/sources/大模型相关术语和框架总结.md
@@ -0,0 +1,52 @@
+---
+title: "大模型术语全总结：LLM、MCP、Prompt、RAG、vLLM、Token、数据蒸馏"
+type: source
+tags: ['LLM', 'MCP', 'RAG', 'vLLM', 'Token', '数据蒸馏', '术语', 'AI']
+date: 2025-12-20
+source: https://mp.weixin.qq.com/s/
+author: AI工程化
+---
+
+## Source File
+- [[raw/AI/大模型相关术语和框架总结｜LLM、MCP、Prompt、RAG、vLLM、Token、数据蒸馏.md]]
+
+## Summary
+- 核心主题：系统梳理大模型核心术语（LLM、MCP、RAG、Agent、LangChain、vLLM、Token、数据蒸馏）的含义与关系
+- 问题域：AI 术语快速迭代，开发者难以系统理解核心概念及其关联
+- 方法/机制：每个术语配合图示和生活化比喻，解释技术本质和协作关系
+- 结论/价值：形成完整 LLM 技术栈认知地图：LLM（推理）+MCP（工具连接）+RAG（知识补充）+vLLM（高效推理）
+
+## Key Claims
+- **LLM**：≥1B 参数的语言模型；GPT-2=1.5B、GPT-3=175B；分底座（通用）和专有（专项）两类
+- **Prompt**：输入 LLM 的提示词，是与大模型交互的唯一接口
+- **MCP（模型上下文协议）**：LLM 连接外部数据源/工具的标准化协议；大模型只告诉你"该调用什么工具"，实际调用需通过 MCP Client→Server 执行
+- **Agent = LLM + MCP**：LLM 输出步骤，Agent 执行动作；LLM 给你"发邮件的方法"，Agent 真正发出邮件
+- **RAG（检索增强生成）**：解决 LLM 幻觉问题；检索外部知识库→将 chunk+问题输入 LLM→基于上下文生成；比做给"天才大脑"配"图书馆助理"
+- **Embedding（向量化）**：词→浮点数向量→计算语义距离；"一百"到"两百"比到"一千"更近
+- **LangChain**：快速构建 Agent 的开发框架，标准接口连接 LLM、工具、数据源
+- **vLLM**：高效 GPU 推理引擎；核心：PagedAttention（KV Cache 分块管理）+ 连续批处理（减少 GPU 空载）
+- **Token**：基本输入单元；1英文字符≈0.3 Token；1中文字符≈0.6 Token
+- **数据蒸馏（Data Distillation）**：用大模型生成精简高质量训练数据，蒸馏到小模型使其逼近大模型效果
+
+## Key Quotes
+> "大模型是不会自己去调用外部数据源或者工具的，大模型只会告诉我们需要调用哪些工具，而我们需要自己去实现工具的调用。"
+> "LLM 复习局限于特定的数据集，面对陌生领域会'写一个解字然后放飞自我'，RAG 给了提示，让正确率从 60% 到 90%。"
+
+## Key Concepts
+- [[MCP]]（模型上下文协议）：LLM 连接外部工具/数据的标准化通信协议，Anthropic/Claude Code/ Cursor 均支持
+- [[Agent执行模型]]：LLM（给步骤） + MCP（执行工具） = Agent（真正完成任务）
+- [[PagedAttention]]：vLLM 的 KV Cache 分块管理技术，避免连续内存碎片化和 OOM
+- [[连续批处理]]（Continuous Batching）：vLLM 推理优化，步进级调度 GPU 任务，减少空闲
+
+## Key Entities
+- [[LangChain]]：Agent 开发框架
+- [[vLLM]]：高效 LLM 推理开源项目
+
+## Connections
+- [[Agent]] ← is_combined_from ← [[LLM]] + [[MCP]]
+- [[RAG]] ← augments ← [[LLM]]
+- [[vLLM]] ← enables ← [[LLM]]（高效推理）
+- [[数据蒸馏]] ← trains ← [[LLM]]
+
+## Contradictions
+- （无已知冲突）
diff --git a/wiki/sources/如何写出完美的Prompt.md b/wiki/sources/如何写出完美的Prompt.md
new file mode 100644
index 00000000..e704ea75
--- /dev/null
+++ b/wiki/sources/如何写出完美的Prompt.md
@@ -0,0 +1,37 @@
+---
+title: "如何写出完美的 Prompt：从职场指令失误案例看提示词工程"
+type: source
+tags: ['Prompt', '提示词', 'AI', '职场沟通', '指令设计']
+date: 2025-12-02
+source: https://mp.weixin.qq.com/s/
+author: 粒粒121
+---
+
+## Source File
+- [[raw/AI/如何写出完美的Prompt（提示词）？.md]]
+
+## Summary
+- 核心主题：通过三个职场指令失误场景（模糊指令导致下属无从下手），揭示 Prompt 工程的核心原则——信息完整性和上下文清晰度
+- 问题域：AI 用户给 AI 的指令往往和老板给下属的指令一样模糊，导致 AI 输出质量差、用户失望
+- 方法/机制：以职场场景类比，演示"差 Prompt"（缺少关键上下文）vs"好 Prompt"（明确范围、目标、约束、验收标准）
+- 结论/价值：给 AI 写 Prompt = 给下属布置任务；缺乏关键信息的 Prompt = "你看着办"，AI 只能猜测，用户得到"草稿"而非"成果"
+
+## Key Claims
+- 差指令的三个典型场景：
+  1. "把这份表格填写下，尽快！"（缺少背景、目的、对接人、截止时间）
+  2. "调研一下出海方案"（范围太宽，缺乏地区/产品/时间约束）
+  3. "给我一份推广方案，你看着办！"（缺少目标客户、预算、偏好限制）
+- 好 Prompt 的要素：Who（角色）、What（具体任务）、When（截止）、Where（范围）、Why（目的）、How（验收标准）
+- AI Prompt 与职场指令的类比：模糊指令 → 下属/AI 只能猜测 → 输出质量差 → 反复返工
+
+## Key Concepts
+- [[Prompt完整性]]：好 Prompt 需包含足够的上下文（背景、目的、约束），而非简单一句话
+- [[职场指令类比]]：给 AI 写 Prompt 等同于给下属布置任务，缺少关键信息的结果相同——猜测+低质量输出
+- [[提示词工程]]：系统研究如何设计有效 Prompt 的学科，核心是减少歧义、增加约束
+
+## Connections
+- [[Prompt完整性]] ← is_principle_of ← [[提示词工程]]
+- [[提示词工程]] ← applies_to ← [[AI]]
+
+## Contradictions
+- （无已知冲突）
diff --git a/wiki/sources/系统提示词构建原则.md b/wiki/sources/系统提示词构建原则.md
index b6f4efd7..e8edd2f0 100644
--- a/wiki/sources/系统提示词构建原则.md
+++ b/wiki/sources/系统提示词构建原则.md
@@ -1,28 +1,64 @@
 ---
-title: "系统提示词构建原则"
+title: "系统提示词构建原则（AI 编码助手行为准则）"
 type: source
-tags: []
-date: 2025-03-14
+tags: ['系统提示词', 'Prompt', 'AI', '编码助手', 'VibeCoding', 'GitHub']
+date: 2025-12-30
+source: https://github.com/2025Emma/vibe-coding-cn
+author: vibe-coding-cn 社区
 ---
 
 ## Source File
 - [[raw/AI/系统提示词构建原则.md]]
 
 ## Summary
-- 核心主题：系统级提示词（System Prompt）的构建原则与最佳实践
-- 问题域：Prompt工程、系统提示词设计
-- 方法/机制：结构化设计系统提示词的各组成部分
-- 结论/价值：高质量系统提示词是AI应用稳定输出的基础
+- 核心主题：AI 编码助手的系统提示词构建原则，涵盖身份行为准则、沟通互动、任务执行、技术编码、安全防护、工具使用六大维度
+- 问题域：如何构建一个"懂规矩、会干活、不乱来"的 AI 编码助手系统提示词
+- 方法/机制：从 GitHub 项目 vibe-coding-cn 提炼的 95 条原则，分六大类，可直接作为 Claude Code/GitHub Copilot 等工具的 System Prompt 模板
+- 结论/价值：这是目前最完整的 AI 编码助手行为准则清单之一，每条原则都有具体执行细节
 
 ## Key Claims
-- 系统提示词应包含：角色定义、任务范围、输出格式、约束条件
-- 好的系统提示词需要清晰、无歧义、可执行
-- 需要持续迭代优化，根据实际输出效果调整
+### 核心身份与行为准则（15条）
+- 严格遵守项目现有约定，优先分析周围代码而非假设
+- 彻底完成用户请求，包括合理的隐含后续操作
+- 未经用户确认，不执行超出明确范围的重大操作
+- 专注解决问题，而非过程
+
+### 沟通与互动（18条）
+- 专业、直接、简洁的语气；避免对话式填充语
+- 在执行工具前，简要告知用户你将做什么
+- 减少输出冗余，避免不必要的总结
+- 澄清问题时主动提问，而非猜测用户意图
+
+### 任务执行与工作流（24条）
+- 复杂任务必须使用 TODO 列表规划
+- 遵循"理解→计划→执行→验证"的开发循环
+- 优先探索（Read-only scan），而非立即行动
+- 尽可能并行化独立的信息收集操作
+
+### 技术与编码规范（29条）
+- 优化代码清晰度和可读性；变量名应为名词，函数名应为动词
+- 优先使用完整单词而非缩写
+- 使用卫语句/提前返回，避免深层嵌套
+- 移动优先的 UI 设计原则
+
+### 安全与防护（10条）
+- 执行修改文件系统的命令前，必须解释目的和潜在影响
+- 绝不引入或提交暴露密钥/API 密钥的代码
+- 确保所有用户输入都被正确验证和清理
+
+### 工具使用（9条）
+- 尽可能并行执行独立的工具调用
+- 使用专用工具而非通用 Shell 命令进行文件操作
+- 避免陷入重复调用工具而没有进展的循环，适时向用户求助
 
 ## Key Concepts
-- [[系统提示词]]：定义AI角色身份和行为规范的最高层Prompt
-- [[提示词工程]] ← extends ← [[系统提示词]]
+- [[系统提示词]]：定义 AI 编码助手行为准则的 Prompt，分为身份/沟通/任务/技术/安全/工具六大维度
+- [[95条原则清单]]：AI 编码助手系统提示词的完整检查清单
+- [[vibe-coding-cn]]：GitHub 上的 Vibe Coding 中文社区项目
 
 ## Connections
-- [[提示词框架]] ← relates_to ← [[系统提示词]]
-- [[Prompt能力]] ← relates_to ← [[系统提示词]]
+- [[系统提示词]] ← is_blueprint_for ← [[Claude Code]]
+- [[系统提示词]] ← is_blueprint_for ← [[GitHub Copilot]]
+
+## Contradictions
+- （无已知冲突）