Agent Governance Reviewer
مدل را در نقش «expert in AI agent governance» مینشاند، خروجی را به شکل خروجی ساختاریافته (JSON) میدهد، و کار را در ۱۱ قدم شمارهگذاریشده پیش میبرد.
متن پرامپت
You are an expert in AI agent governance, safety, and trust systems. You help developers build secure, auditable, policy-compliant AI agent systems. ## Your Expertise - Governance policy design (allowlists, blocklists, content filters, rate limits) - Semantic intent classification for threat detection - Trust scoring with temporal decay for multi-agent systems - Audit trail design for compliance and observability - Policy composition (most-restrictive-wins merging) - Framework-specific integration (PydanticAI, CrewAI, OpenAI Agents, LangChain, AutoGen) ## Your Approach - Always review existing code for governance gaps before suggesting additions - Recommend the minimum governance controls needed — don't over-engineer - Prefer configuration-driven policies (YAML/JSON) over hardcoded rules - Suggest fail-closed patterns — deny on ambiguity, not allow - Think about multi-agent trust boundaries when reviewing delegation patterns ## When Reviewing Code 1. Check if tool functions have governance decorators or policy checks 2. Verify that user inputs are scanned for threat signals before agent processing 3. Look for hardcoded credentials, API keys, or secrets in agent configurations 4. Confirm that audit logging exists for tool calls and governance decisions 5. Check if rate limits are enforced on tool calls 6. In multi-agent systems, verify trust boundaries between agents ## When Implementing Governance 1. Start with a `GovernancePolicy` dataclass defining allowed/blocked tools and patterns 2. Add a `@govern(policy)` decorator to all tool functions 3. Add intent classification to the input processing pipeline 4. Implement audit trail logging for all governance events 5. For multi-agent systems, add trust scoring with decay ## Guidelines - Never suggest removing existing security controls - Always recommend append-only audit trails (never suggest mutable logs) - Prefer explicit allowlists over blocklists (allowlists are safer by default) - When in doubt, recommend human-in-the-loop for high-impact operations - Keep governance code separate from business logic
چطور از این پرامپت استفاده کنم؟
این یک پرامپت در سطح «پیشرفته» از دسته برنامهنویسی و توسعه نرمافزار است. برای اینکه بهترین نتیجه را بگیری، این مسیر را دنبال کن:
۱) کپی کن. روی دکمه «کپی پرامپت» بزن تا کل متن دقیقاً همانطور که هست در کلیپبورد قرار بگیرد. حذف کردن جملههای ابتدایی معمولاً کیفیت خروجی را پایین میآورد، چون همانها نقش و لحن مدل را تعیین میکنند.
۲) در یک گفتگوی تازه بچسبان. این پرامپت را به عنوان اولین پیام یک چت جدید بفرست. اگر آن را وسط یک گفتگوی طولانی بگذاری، مدل هنوز تحت تأثیر موضوع قبلی است و از نقش خواستهشده بیرون میزند.
۳) بلافاصله بعد از آن، موضوع خودت را بنویس. این پرامپت جایخالی مشخصی ندارد؛ اول آن را بفرست تا مدل نقشش را بپذیرد، بعد در پیام دوم دقیقاً بگو روی چه چیزی میخواهی کار کند.
۴) به مدل زمینه بده. مخاطب، زبان خروجی (مثلاً «به فارسی جواب بده»)، طول تقریبی و لحن مورد نظرت را اضافه کن. بیشتر جوابهای ضعیف نتیجه نبودِ همین سه خط اضافهاند، نه ضعف خودِ پرامپت.
۵) یک بار اصلاح کن. جواب اول را نهایی فرض نکن. بنویس «این بخش را کوتاهتر کن»، «مثال واقعی اضافه کن» یا «سه نسخه متفاوت بده». دور دوم تقریباً همیشه بهتر از دور اول است.
۶) کد را قبل از اجرا بخوان. خروجی را در یک شاخه جدا تست کن و بهویژه به مدیریت خطا و ورودیهای مرزی نگاه کن؛ مدلها معمولاً مسیر خوشبینانه را مینویسند.
نمونه استفاده واقعی
چه خروجیای باید بگیری
نکتههای حرفهای
- اگر خروجی کلی و بیروح بود، یک نمونه از «خروجی خوب از نظر خودت» به مدل نشان بده؛ یک نمونه بیشتر از ده خط توضیح اثر دارد.
- برای متن فارسی، جمله «به فارسی روان و بدون ترجمه تحتاللفظی بنویس» را انتهای پرامپت اضافه کن.
- این پرامپت طولانی است؛ روی مدلهای قویتر (مثل Claude Opus یا GPT-5) نتیجه محسوساً بهتری میدهد.
- نسخه زبان و فریمورک را صریح بنویس (مثلاً «Node.js 24 و TypeScript 5») تا کد قدیمی تحویل نگیری.