Agent Context Tree Standard
A feature-first context protocol for AI Agents
一个以功能为中心的 AI Agent 上下文管理标准
⚡ 一分钟激活：复制 SYS_PROMPT.md → 粘贴到 AI 设置 → 开始编码
ACTS（Agent Context Tree Standard）是一个以功能为中心的 AI Agent 上下文管理标准，帮助 AI 助手理解项目结构、遵循团队规范、维护长期知识。
核心理念：
- 🌳 Tree Structure：功能内聚的树状组织
- 🎯 Feature-First：按功能而非时间组织文档
- 🧠 Long-term Memory：结构化的知识积累
- 🤖 Agent-Friendly：为 AI Agent 优化的协议
在使用 AI 助手进行软件开发时：
- 🤔 AI 不理解你的项目规范
- 📚 知识在对话间丢失
- 🔄 上下文切换很痛苦
- 🎯 AI 生成的代码不符合你的架构
- 👥 团队成员重复相同的解释
ACTS 提供：
- 📋 标准化协议让 AI 理解你的项目
- 🧠 长期记忆通过结构化文档
- 🎯 任务聚焦工作流清晰的上下文
- 📚 知识积累（经验教训、工作日志、架构文档）
- 🤝 团队协作共享规范
适用于：任何项目
# 1. 克隆 ACTS 协议仓库到你的项目根目录
cd your-project
git clone https://github.com/yourusername/acts-protocol.git
# 2. 运行初始化脚本（在项目根目录）
bash acts-protocol/scripts/init.sh
# 3. （可选）删除 acts-protocol 仓库
rm -rf acts-protocol脚本会自动：
- 创建
context/目录结构 - 从 templates/ 复制所有配置文件到你的项目
- 创建初始的
current-task.md和索引文件 - 不会覆盖已存在的文件
其他使用方式：
# 方式 A：从 acts-protocol 目录运行，指定目标项目
cd acts-protocol
bash scripts/init.sh /path/to/your-project
# 方式 B：使用绝对路径
bash /absolute/path/to/acts-protocol/scripts/init.sh跨平台支持：
- Windows：使用 Git Bash（Git for Windows 自带）
- macOS/Linux：原生支持
适用于：想要自定义的用户
# 1. 克隆 ACTS 协议仓库
git clone https://github.com/yourusername/acts-protocol.git
# 2. 进入你的项目目录
cd your-project
# 3. 复制核心配置文件
cp acts-protocol/templates/AGENTS.md .
cp acts-protocol/templates/SYS_PROMPT.md .
cp acts-protocol/templates/CLAUDE.md .
# 4. 复制 context 目录结构
cp -r acts-protocol/templates/context .
# 5. （可选）删除 acts-protocol 仓库
rm -rf acts-protocol复制系统提示词（适用于 Cursor、Windsurf、ChatGPT）：
- 打开
templates/SYS_PROMPT.md - 全选复制（Ctrl+A, Ctrl+C）
- 粘贴到 AI 设置：
- Cursor: Settings → General → Rules for AI
- Windsurf: Settings → AI Rules
- ChatGPT: Settings → Custom Instructions
Claude 原生支持：
Claude Desktop 会自动读取项目根目录的 AGENTS.md，无需额外配置。
根目录（配置）
├── AGENTS.md # 协议定义（AI 首先读取）
├── CLAUDE.md # Claude 专用设置
└── context/ # 数据（项目的记忆）
├── current-task.md
├── docs/
├── work-logs/
└── lessons/
为什么在根目录？
- AI 工具默认扫描根目录
- 清晰分离：配置（根目录）vs 数据（context/）
- 直观：用户立即看到 AGENTS.md
L1: 项目规则（AGENTS.md）
↓
L2: 模块规则（context/steering/）
| 类型 | 位置 | 用途 | 保留 |
|---|---|---|---|
| 任务中心 | context/current-task.md |
追踪 1-3 个当前任务 | 频繁更新 |
| 文档 | context/docs/{模块}/{功能}/ |
架构、API 文档 | 长期 |
| 工作日志 | context/docs/{模块}/{功能}/work-logs/ |
实现记录（功能内聚） | 永久 |
| 经验教训 | context/docs/lessons/ |
需要避免的错误（全局共享） | 永久 |
功能内聚原则：
- 工作日志放在功能文件夹里，和功能文档在一起
- 方便查找：看某个功能时，所有相关内容都在一起
- 自然沉淀：从 work-logs 提炼到功能文档更直观
- 跨模块任务：放在
docs/全栈/work-logs/
Work Log 命名规范：
- 格式：
YYYY-MM-DD-{TYPE}-{DESCRIPTION}.md - 类型：
impl- 新功能开发或改进fix- Bug 修复（最重要的反面教材）pr- PR 评审反馈（团队强制规范）refactor- 代码重构（功能不变）
- 示例：
2026-02-01-impl-user-login.md2026-02-02-fix-token-timeout.md2026-02-03-pr-review-security.md2026-02-04-refactor-split-service.md
关键规则：AI 不能自动创建 lessons。
Lessons 只在以下情况创建：
- 用户明确说"把这个记下来"
- AI 询问"是否应该记录？"并得到用户确认
**为什么？**只有人类知道什么是真正痛苦的。AI 可能会将琐碎问题记录为"lessons"，污染你的知识库。
- 编码前考虑整体设计
- 评估对现有模块的影响
- 遵循既定模式
- 为什么这样做？
- 有哪些替代方案？
- 可能出什么问题？
- 检查现有文档
- 从过去的错误中学习
- 不要重新发明轮子
- 懒加载（只加载需要的）
- 智能搜索（时间加权 + 关键词匹配）
- 避免重复
- 工作日志：完整实现历史（功能内聚）
- 经验教训：精选洞察（全局共享，用户控制）
- 文档：架构和设计决策
功能内聚的优势：
- 查看功能时，文档和历史都在一起
- 从工作日志沉淀到文档更自然
- 减少目录跳转，提高效率
your-project/
├── AGENTS.md # 必需：协议定义（AI 原生读取）
├── SYS_PROMPT.md # 可选：通用系统提示词（复制粘贴用）
├── context/
│ ├── current-task.md # 必需：当前焦点
│ └── docs/
│ ├── INDEX.md # 必需：文档索引
│ ├── lessons/ # 推荐：全局经验教训
│ └── 前端/ # 示例：功能模块
│ └── 某功能/
│ ├── 01-架构.md
│ └── work-logs/ # 推荐：功能的工作日志
└── src/ # 你的代码
your-project/
├── AGENTS.md # 协议定义（AI 原生读取）
├── CLAUDE.md # Claude 专用设置（可选）
├── SYS_PROMPT.md # 通用系统提示词（复制粘贴用）
├── context/
│ ├── current-task.md # 任务中心
│ ├── steering/ # 项目特定规则
│ │ ├── project.md
│ │ ├── debugging.md
│ │ ├── language.md
│ │ └── pr-docs.md
│ ├── docs/ # 技术文档（按功能聚合）
│ │ ├── INDEX.md
│ │ ├── lessons/ # 全局经验教训
│ │ ├── 前端/
│ │ │ ├── INDEX.md
│ │ │ ├── 用户认证/
│ │ │ │ ├── 01-架构设计.md
│ │ │ │ └── work-logs/
│ │ │ │ └── 2026-01-26-登录流程优化.md
│ │ │ └── 数据展示/
│ │ │ ├── 01-表格组件.md
│ │ │ └── work-logs/
│ │ ├── 后端/
│ │ ├── AI层/
│ │ └── 全栈/ # 跨模块内容
│ │ ├── INDEX.md
│ │ ├── API集成/
│ │ │ ├── 01-接口设计.md
│ │ │ └── work-logs/
│ │ │ └── 2026-01-29-第三方API对接.md
│ │ ├── 数据流转/
│ │ │ ├── 01-完整链路.md
│ │ │ └── work-logs/
│ │ └── 系统架构/
│ │ └── work-logs/
└── src/ # 你的代码
查看 examples/ 文件夹中的完整示例：
- React 项目：使用 TypeScript、Next.js 的前端
- Go 项目：使用微服务的后端
- Python 项目：使用 FastAPI 的 AI/ML
每个示例包含：
- 配置好的
AGENTS.md - 示例
context/结构 - 真实的工作日志和经验教训
docs/ 中的详细文档：
- 跨会话维护上下文
- 建立个人知识库
- 通过 AI 提高代码质量
- 共享规范和标准
- 更快地让新成员上手
- 积累团队知识
- 保留架构决策
- 从过去的错误中学习
- 长期保持一致性
- ✅ Claude（Anthropic）- 通过 CLAUDE.md 完全支持
- ✅ Cursor - 与 .cursorrules 或 AGENTS.md 配合使用
- ✅ GitHub Copilot - 基本支持
- ✅ ChatGPT - 手动上下文加载
- ✅ Windsurf - 完全支持
我们欢迎贡献！查看 CONTRIBUTING.md 了解指南。
- 额外的语言模板
- 更多示例项目
- 文档改进
- 工具集成
- ✅ 核心协议定义
- ✅ 基本模板
- ✅ 文档
- 初始化 CLI 工具
- VS Code 扩展
- 更多示例（Vue、Rust 等）
- 团队协作功能
- 可视化仪表板
- 分析和洞察
答：不需要。从 AGENTS.md 和 context/current-task.md 开始。根据需要添加更多。
答：可以。ACTS 是一个协议，不是一个僵化的框架。根据你的需求调整它。
答：是的。ACTS 与语言无关。它关于组织，而不是技术。
答：ACTS 更全面。它包括：
- 长期知识（work-logs、lessons）
- 任务管理（current-task.md）
- 结构化文档（docs/）
- 团队协作功能
答：可以。ACTS 适用于任何受益于 AI 辅助和知识管理的项目。
MIT 许可证 - 详见 LICENSE 文件。
灵感来源于：
- 软件工程最佳实践
- 知识管理系统
- AI 辅助开发工作流
特别感谢社区的反馈和贡献。
- GitHub：yourusername/acts-protocol
- 问题：报告 bug 或请求功能
- 讨论：加入对话
由开发者为开发者用 ❤️ 制作