用途：LLM Prompt Optimizer 面向使用大语言模型的用户，帮助系统化地分析与精炼提示词，以最大化输出的质量、准确性与相关性。适合构建生产级 AI 系统、做研究，或希望获得更好模型响应的场景。
主要能力：该技能强调基于证据的优化方法，涵盖结构调整、上下文补充、约束校准和输出格式指定。诊断环节可识别幻觉触发点、歧义来源、缺失上下文、冲突指令、过度或不足约束等问题，并按影响优先级给出修复建议。优化技术包括插入思维链、添加少样本示例、指定角色或人格、定义输出模式、收紧或放宽约束、重构提示、补充上下文或示例、移除冲突或冗余指令等。同时支持针对具体模型（如 GPT-4、Claude、Llama 等）的最佳实践，包括 token 预算优化、系统提示与用户提示的拆分、温度或采样建议、上下文窗口利用等。还提供 A/B 测试变体和递归精炼循环、提示分解、负面示例注入、token 预算优化等进阶方法。
使用方式：可通过自然语言触发，例如“Why isn't this prompt working: [prompt]”“Optimize for accuracy: [prompt]”“Reduce hallucinations in: [prompt]”“Add better structure to: [prompt]”“Optimize this for [model]: [prompt]”“Create prompt variants for testing: [prompt]”。最佳实践包括先明确成功标准、使用显式输出格式、校准约束数量、多用正向指令、把关键指令放在开头和结尾、用分隔符隔离多段输入。
适用场景与限制：适用于提示词诊断、准确率优化、减少幻觉、增强结构、模型适配和变体测试。资料未提供收费、价格、平台支持范围等具体信息。需注意避免对简单提示过度工程化、跨模型直接复制提示而不做适配、忽略温度与提示具体程度的关系、加入会引入不良模式的示例，以及使用未定义的模糊措辞或相互冲突的指令。