# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Repo Prompt (@RepoPrompt) · 平台：X (Twitter) · 日期：2026-05-28

> 原始來源：https://x.com/RepoPrompt/status/2047389280629100988

## 中文摘要

Repo Prompt 推出 Orchestrate 跨模型 Agent 編排工作流。

**核心理念與痛點**
開發者 eric provencher 指出，隨著 AI 模型能力提升，使用者若僅依賴傳統提示詞（prompting）將面臨邊際效益遞減。Repo Prompt 定位為 AI 驅動的上下文 IDE，旨在解決 Agent 在思考前浪費大量 token 於無效檔案讀取、重複呼叫工具及無關程式碼的問題。透過預先結構化上下文，模型能將 100% 的推理預算用於解決問題，而非耗費在搜尋資訊上。

**技術架構與運作機制**
Repo Prompt 採用「Context Builder」三階段管線，確保 Agent 每次都能獲得精確的上下文：
1. **Explore（探索）**：由探索 Agent 導覽程式庫，理解檔案間的關聯。
2. **Curate（策展）**：在 token 預算限制內，利用「codemaps」與行切片（line slices）選取最相關的檔案內容。
3. **Handoff（交付）**：將結構化後的上下文交付給分析模型進行規劃、審查或深度問答。

**Agent 協作與編排**
該工具支援「Agent Mode Pro」，允許使用者將上下文工程交由 Codex、Claude Code、Cursor、Gemini 或 OpenCode 等 Agent 管理。其內建的「Orchestrate」（`/rp-orchestrate`）工作流是核心亮點，能自動執行以下流程：
- 生成計畫並將任務分解。
- 跨模型供應商（如結合 GPT 5.5 與 Opus 4.7 的優勢）平行或序列化調度子 Agent。
- 驗證每個步驟的執行結果。

**內建工作流與 MCP 整合**
Repo Prompt 透過 MCP（Model Context Protocol）作為多 Agent 工作流的控制平面，提供 `agent_run` 工具，支援啟動、等待、輪詢、導向、回應及取消等操作。內建工作流包括：
- `/rp-build`：探索、規劃並實作。
- `/rp-review`：結合 Git diff 與程式庫上下文的程式碼審查。
- `/rp-investigate`：系統性探索與證據收集。
- `/rp-refactor`：兩階段重構（分析後實作），確保行為一致性。

**使用與安裝指引**
Repo Prompt 目前為 macOS 原生應用程式，支援 Apple Silicon 與 Intel 晶片。
1. 從 [Repo Prompt 官網](https://repoprompt.com/docs#s=overview) 下載並安裝。
2. 啟動應用程式後，依提示授予資料夾存取權限。
3. 透過「File → Open」或將資料夾拖曳至應用程式視窗以開啟 `workspace`。
4. 若需使用現有的 Claude Pro、ChatGPT Plus 或 Google AI 訂閱，可透過 CLI Providers 設定，無需額外支付 API 費用。

**實際影響**
相比於未經策展的上下文，Repo Prompt 能顯著減少 AI 產生的通用建議，確保程式碼變更符合既有的架構模式與慣例。對於追求生產環境程式碼品質的團隊，此工具能提供更具備「接地氣」（grounded）的建議，避免 AI 產出與現有程式庫脫節的程式碼。