当前位置：首页 > news >正文

【技术干货】用「GLM Mythos 工作流」把普通大模型打造成三美元超模编码助手

news 2026/5/28 17:59:38

摘要

本文基于视频中提出的「GLM Mythos」思想，系统拆解如何通过「模型 + 系统提示词 + 终端工作流 + GSD 思维 + 前端设计能力」组合，把一款便宜但能力强的模型打造成接近旗舰体验的编码 Agent。文中给出可复用的系统 Prompt、工作流设计，并提供基于（xuedingmao.com）的一套完整 Python 调用示例，帮助你快速在本地重现一个可落地的 Mythos 风格开发助手。

一、背景介绍：从“堆模型参数”到“设计工作流”

最近关于 “Claude Mythos / 神话版” 的讨论很多，关键词基本都是：

更强的代码能力
更好的长任务规划
更稳定的多步骤 Agent 行为

但视频的核心观点其实很反常识：

真正拉开“普通助手”和“变态强助手”差距的，不只是模型 checkpoint，而是：系统 Prompt、工作流层、工具集成、以及防上下文腐烂（context rot）的设计。

换句话说：
你可以不买天价企业版，也能自己搭一个“神话级”工作流。

视频中把这个组合叫做GLM Mythos，它不是某个隐藏模型，而是一套栈：

引擎层：GLM 5.1（强但便宜的基础模型）
载体层：Kilo CLI / 终端工具（提供“Agent 身体”）
约束层：King Mode 系统 Prompt（强制模型不偷懒）
品味层：前端设计 Skill Prompt（让界面可直接上线）
反混乱层：GSD 工作流（Get Shit Done）（保证任务真的完成，而不是只生成代码片段）

在国内开发环境下，你可以用任何 OpenAI 兼容的 API 实现同样的栈。下面我用薛定猫 AI（xuedingmao.com）来举例，演示如何在本地完成一套接近视频中的“GLM Mythos”工作流。

二、核心原理：GLM Mythos 的设计要点

1. 模型不是产品，工作流才是产品

视频中强调了一个非常重要的认知：

“高级模型质量”并不等于“参数更多、训练更贵”
很多时候体验差异，来自：
- 系统级 Prompt（system prompt）
- 任务分解逻辑（decomposition）
- 记忆/状态管理（memory）
- 工具/终端集成
- 上下文防腐策略（防止 context rot）

因此 Mythos 的目标是：
在不更换模型 checkpoint 的前提下，通过工程手段把模型“放大”为更稳定、更可控的 Agent。

2. King Mode：让模型“有纪律”，而不是“更聪明”

King Mode 本质上是一套系统提示词（system prompt），核心作用：

明确角色：面向代码重构 / 项目搭建 / 长任务执行的工程 Agent
强制步骤化：先计划、再执行、再验证、再总结
禁止偷懒：不允许“含糊回答”“你可以自己查文档”式输出
明确失败条件：当信息不足时必须要求补充，而不是胡编

关键点：King Mode 不会让模型“更聪明”，而是让它“更自律”。
在 GLM 5.1 这类本身偏 Agent 风格的模型上，效果会非常明显：

不乱闲聊，自动进入“任务模式”
更愿意重试、调试、查找错误

3. GSD（Get Shit Done）：从“生成代码”到“生成功能”

GSD 思维强调：

验证目标是“功能是否完成”，而不是“代码是否生成”
对于一个任务，至少需要验证：
- 能否正常运行（编译 / 测试通过）
- 关键用户路径是否闭环（登录、保存、状态持久等）
- 边界情况是否能自洽（空列表、错误状态）

在实践中，你可以用类似这样的小循环：

让模型先输出任务拆分清单
针对每一步生成/修改代码
引导模型设计验证脚本/测试用例
把运行日志/错误输出回灌给模型
直到功能真正可用，而不是“看起来写完了”

4. 前端设计 Skill Prompt：避免“AI 缺德 UI”

视频里特别提到：
普通 LLM 做界面时，常常生成：

黑白配色 + 随便一个灰色按钮
默认字体 / 间距
一眼看上去“AI 味儿”的粗糙界面

所谓前端设计 Skill Prompt，就是在系统层告诉模型：

要考虑视觉层级（Hierarchy）
要考虑排版（Typography）：字号、行高、对齐方式
要考虑节奏与留白（Spacing Rhythm）
要给出可上线的样式而非占位符

这其实是一种“嵌入式设计规范”，对使用 Tailwind / Ant Design / Chakra UI 等库的项目尤为有效。

三、实战演示：用中转站 AI 快速搭一套“本地 Mythos Agent”

下面用 Python + 薛定猫 AI 的 OpenAI 兼容 API，演示一个最小可用的 Mythos 风格编码 Agent。
默认模型使用：claude-sonnet-4-6（你也可以替换为自己偏好的模型 ID）。

3.1 安装依赖

pipinstallopenai python-dotenv

3.2 环境变量配置

在项目根目录创建.env：

XUEDINGMAO_API_KEY=你的_API_Key XUEDINGMAO_BASE_URL=https://xuedingmao.com/v1

3.3 定义 Mythos 系统 Prompt

# mythos_prompts.pyKING_MODE_SYSTEM_PROMPT=""" 你是一个“有纪律的资深工程 Agent”，专注于： - 中大型代码改造 - 新功能从 0 到 1 搭建 - 长任务的规划与持续迭代 请严格遵守： 1. 先思考，后输出。所有任务必须先给出“分步计划”，再执行。 2. 禁止含糊：不要说“也许”“可能”“你可以自己查文档”一类话。 3. 对于代码相关任务，输出结构必须包含： - PLAN: 任务拆分 - IMPLEMENT: 具体代码（标明文件路径） - VERIFY: 如何验证功能完成（命令 / 测试用例 / 手工步骤） 4. 当信息不足时，必须列出需要澄清的问题，而不是胡乱假设。 5. 你更倾向于重构和改进，而不是一次性“写完就走”。 你的目标不是“回答问题”，而是“让功能真正可用”。 """FRONTEND_DESIGN_SKILL_PROMPT=""" 你具备资深前端设计能力。对于 UI 相关任务： - 必须考虑： - 信息层级（层级清晰、主次分明） - 排版（字体大小、行高、对齐方式） - 视觉节奏（间距、行距、块之间的留白） - 输出组件/页面时： - 使用一致的设计系统（例如 Tailwind 的 spacing/typography 规范） - 避免默认黑白 + 无脑灰色按钮 - 给出可直接上线的样式，而非“TODO: beautify UI” 在给出代码前，请简要说明你的视觉决策（例如：为什么使用某个布局 / 配色 / 字号）。 """GSD_WORKFLOW_PROMPT=""" 你正在执行 GSD（Get Shit Done）工作流： - 目标：完成一个“可用的功能”，而不是“几段代码”。 - 对每次迭代，你需要： 1）明确当前子目标 2）说明你要修改/新增的文件 3）给出变更内容 4）给出我应该执行的验证步骤（命令、预期结果） 5）等待我把实际运行结果 / 错误日志反馈给你，再继续调整 请用“GSD-STEP”小节显式标注当前迭代步骤。 """

3.4 核心调用代码：本地 Mythos Agent

# mythos_agent.pyimportosfromdotenvimportload_dotenvfromopenaiimportOpenAIfrommythos_promptsimport(KING_MODE_SYSTEM_PROMPT,FRONTEND_DESIGN_SKILL_PROMPT,GSD_WORKFLOW_PROMPT,)load_dotenv()# 初始化 OpenAI 兼容客户端（指向薛定猫 AI）client=OpenAI(api_key=os.getenv("XUEDINGMAO_API_KEY"),base_url=os.getenv("XUEDINGMAO_BASE_URL","https://xuedingmao.com/v1"),)MODEL_NAME="claude-sonnet-4-6"# 默认模型，可替换为其他已开通的模型 IDdefbuild_mythos_system_message(need_frontend:bool=False,enable_gsd:bool=True,)->str:""" 根据当前任务类型动态组合系统 Prompt： - King Mode：基础纪律约束 - Frontend Skill：需要 UI 设计时启用 - GSD：需要完整功能闭环时启用 """parts=[KING_MODE_SYSTEM_PROMPT]ifneed_frontend:parts.append(FRONTEND_DESIGN_SKILL_PROMPT)ifenable_gsd:parts.append(GSD_WORKFLOW_PROMPT)return"\n\n".join(parts)defmythos_chat(user_task:str,need_frontend:bool=False,enable_gsd:bool=True,)->str:""" 调用薛定猫 AI 的 Chat Completion，执行一次 Mythos 风格对话。 :param user_task: 用户的任务描述（例如：实现某个功能） :param need_frontend: 是否需要前端设计能力 :param enable_gsd: 是否使用 GSD 工作流结构 :return: 模型输出的文本 """system_prompt=build_mythos_system_message(need_frontend=need_frontend,enable_gsd=enable_gsd,)response=client.chat.completions.create(model=MODEL_NAME,messages=[{"role":"system","content":system_prompt},{"role":"user","content":user_task,},],temperature=0.2,# 偏低温度，增强可控性)returnresponse.choices[0].message.contentif__name__=="__main__":""" 示例：让 Mythos Agent 生成一个带基础 UI 的“电影收藏小工具”： - 支持登录 - 可以保存/删除电影 - 状态可持久（哪怕列表为空也有合理展示） """user_task=""" 我想用 React + Tailwind 做一个简单的“电影收藏”单页应用： - 用户可以用邮箱+密码伪登录（前端本地模拟，不接真实后端） - 可以搜索电影并添加到“收藏列表” - 收藏列表支持删除 - 页面要有： - 顶部导航（应用名 + 登录状态） - 左侧搜索区域 - 右侧收藏列表 - 空列表时要有合理的空状态文案和视觉设计 请按你的 King Mode + GSD 工作流来执行： - 先给出 PLAN - 再给出关键组件的实现代码（标明文件名） - 再给出我在终端需要执行的验证步骤 """output=mythos_chat(user_task,need_frontend=True,# 需要前端设计能力enable_gsd=True,# 使用 GSD 工作流)print(output)

说明：

这段代码已经可以直接运行，只需替换.env中的XUEDINGMAO_API_KEY；
Mythos Agent 会按照我们设计的系统 Prompt：
- 先输出任务拆分（PLAN）
- 再输出带 UI 设计说明的 React+Tailwind 代码
- 再给出npm命令 / 验证步骤
你可以把运行错误（例如编译失败、TypeScript 报错）再喂回去，形成视频里所说的“长任务迭代”。

四、注意事项与实践建议

1. 这不是魔法，垃圾需求照样出垃圾结果

如果你的需求描述模糊：
- “帮我做个管理后台，漂亮一点就行”
模型再强、工作流再精巧，也只能无限脑补。

实践建议：
在给 Mythos Agent 输入任务时，把自己当产品经理，至少写清楚：

核心用户路径（登录 / 操作 / 结果）
关键约束（技术栈、浏览器支持、性能要求）
验收标准（能算作“完成”的条件）

2. 不要对所有小任务都开“全神装”模式

视频中明确提醒：

重命名变量、调个按钮颜色，不要套整套 Mythos 栈
这类小任务直接调用轻量模型快速改就够了

合理用法：

小变更：直接对话 / 轻量系统 prompt
中大型改造 / 新功能：King Mode + GSD +（可选）前端设计

3. 合理选择模型与平台

在工程实践中，模型质量只是一个维度，更现实的问题是：

模型更新速度如何？
能否一次接入，多模型切换？
API 是否兼容主流 SDK / 客户端？

（xuedingmao.com）对开发者比较友好的点在于：

聚合500+ 主流大模型：包括 GPT-5.4、Claude 4.6、Gemini 3 Pro 等；
新模型几乎是实时首发，可以第一时间尝试最新能力；
对外暴露的是OpenAI 兼容接口：
- 只要替换base_url+api_key，几乎不用改现有代码；
- 对于需要同时调用多家模型的 Agent/评估/重排场景，集成成本非常低。

在搭建类似 Mythos 这种“强工作流 + 多模型组合”的系统时，统一的 API 层可以显著降低后期维护成本。