【More Than Coding】用 SOLO 深度解析 4 万星 GitHub 项目，一次搞定公众号选题+素材

SOLO挑战赛专区
1

正文

一、摘要

用 TRAE SOLO 完成了对 GitHub 热门项目 system_prompts_leaks（39,000+ Stars）的系统性分析——涵盖 6 大厂商、100+ 个系统提示词的归类、深度解析和跨厂商对比，最终产出一份 1340 行的分析文档，直接用于公众号文章撰写。原本需要 2-3 天的调研+整理工作，SOLO 帮我在一次对话中完成。

二、背景

我是一名金融科技 AI 架构师，同时运营公众号「AI买家秀」，经常需要写 AI 技术相关的深度文章。这次的选题是：从真实系统提示词中提炼 prompt engineering 技巧。

GitHub 上有个叫 system_prompts_leaks 的项目特别火——收录了 OpenAI、Anthropic、Google、xAI 等厂商的 100+ 个系统提示词。我想把它写成一篇有深度的公众号文章，但问题是：

  • 仓库文件太多（100+ 个 .md 文件），逐个读完不现实

  • 需要跨厂商对比分析，手动整理工作量巨大

  • 需要提炼出可复用的 prompt engineering 技巧，不只是罗列

三、实践过程

第一步：让 SOLO 先摸清项目全貌

我给了 SOLO 一个开放性任务：

“分析这个 GitHub 项目，做整体情况的分析和归类，挑选有特点、有价值的提示词做细致解析，结果要全面准确。”

SOLO 首先获取了项目的 README 和目录结构，快速建立了全局视图：6 大厂商目录（Anthropic、OpenAI、Google、xAI、Perplexity、Misc），100+ 个文件。

第二步：批量获取并分析提示词

SOLO 自动识别了最有分析价值的文件，分批并行获取了 20+ 个核心提示词，包括：

  • OpenAI 系列：GPT-5.5 Thinking、Codex GPT-5.5、GPT-5.1 的 8 种人格变体

  • Anthropic 系列：Claude Opus 4.7、Claude Code、Claude for Excel、Claude in Chrome

  • Google 系列：Gemini 3.1 Pro、Gemini CLI、Gemini in Chrome

  • xAI 系列：Grok 4.3 Beta、Grok 4.2、Grok Personas（4种极端人格）

每个文件都做了结构化摘要：核心内容、大致长度、独特技巧/模式。

第三步：跨厂商对比分析

SOLO 从多个维度做了横向对比：

  • 体量：Anthropic 最大（50-250KB），Google 最小（1-29KB）

  • 安全策略：Claude 内嵌式，OpenAI 独立文档，Gemini 5步合规流程

  • 人格系统：OpenAI 8种人格+Monday，xAI 4种极端人格，Anthropic 相对克制

  • 独特机制：OpenAI 的 oververbosity 数值控制，Gemini 的 Topic Update，Grok 的 Persona 切换

第四步：深度解析精选案例

SOLO 挑选了 6 个最有代表性的提示词做了逐行级别的深度解析，每个都提炼了可复用的技巧：

  1. Claude Code（55KB） — 编码助手的教科书级范本，“三行重复代码好过一个过早抽象”

  2. GPT-5.5 Thinking（105KB） — 商业化与体验的平衡，广告系统处理、oververbosity 数值控制

  3. Gemini 3.1 Pro（22KB） — 数据隐私的极致设计，5步合规检查清单

  4. Monday GPT — 人格化提示词的标杆，用对话示例而非规则定义人格

  5. Grok Personas — 极端人格的工程实现，书写风格精确到标点符号

  6. Claude for Excel（17KB） — 垂直场景的精确工程，金融建模规范

踩过的坑

  • 提示词必须精准全面：一开始我只说了"分析这个项目"，SOLO 给出的分析偏泛。后来我把需求细化为"归类+深度解析+提炼技巧+结果要全面准确"，输出质量立刻上了一个台阶。做研究类任务时，提示词越具体，SOLO 的产出越精准——模糊指令只会得到模糊结果

  • 部分文件太大（如 Claude Code 55KB），无法一次获取完整内容，需要让 SOLO 分段读取再合并分析

  • GitHub 文件有时获取超时，需要手动触发重试

四、成果展示

文档链接：https://my.feishu.cn/wiki/EaVbwQu3TicrIBk2l5ycK3YonHd?from=from_copylink

image
image838×331 8.7 KB

image
image825×739 24.4 KB

最终产出一份完整的分析文档，包含：

| 模块 | 内容 |

|------|------|

| 项目概况 | Stars、目录结构、厂商覆盖 |

| 按厂商归类分析 | 6大厂商的产品线、关键发现 |

| 6个深度案例解析 | 逐行级别的提示词拆解 |

| 跨厂商对比表 | 6个维度的横向对比 |

| 核心发现与启示 | 5条行业趋势洞察 |

| 公众号选题角度 | 5个可直接使用的选题 |

此外，还对 GPT-5.5 Thinking 做了附录级别的超深度解析（7大模块逐一拆解），包括：

  • 广告系统处理策略（全网独家分析）

  • 15个工具命名空间的完整解析

  • 双通道架构（analysis/commentary）的设计哲学

  • GPT-5.5 Thinking vs Claude Code 的12维度对比表

五、效果与总结

提效数据：

  • 原本需要 2-3 天（浏览仓库 → 逐文件阅读 → 手动归类 → 写分析 → 交叉对比），现在 30 分钟搞定

  • 分析覆盖范围：从手动能做到的 5-8 个文件，扩展到 20+ 个文件

  • 产出质量：不仅有归类整理，还有跨厂商对比和可复用技巧提炼，这是手动做很难达到的深度

SOLO 在流程中做了什么：

  • 自动获取并解析 GitHub 仓库结构

  • 智能识别高价值文件，跳过重复/低价值内容

  • 并行获取多个文件，大幅缩短等待时间

  • 结构化输出：每个文件的分析格式统一，便于后续整理

  • 跨文件对比分析：自动发现共性模式和差异化特征

可复用的方法：

  1. “提示词先打磨”：研究类任务对输入质量极其敏感。“分析这个项目"和"归类+深度解析+跨厂商对比+提炼可复用技巧+结果要全面准确”，产出质量天差地别。先花 1 分钟把需求写清楚，比后面反复修改省 10 分钟

  2. “先全貌后细节”：让 SOLO 先建立项目全局视图，再深入具体文件，避免信息过载

  3. “批量并行”：多个文件同时获取分析，比逐个读取效率高一个量级

  4. “对比驱动”：不只是罗列每个文件的内容，而是做跨文件/跨厂商的对比，才能发现真正有价值的洞察