Prompt Optimizer 是一个面向文本分类任务的提示词系统优化技能。它的核心方法称为“反思式进化”：先在真实样例上测试提示，检查错误并推理根因，再做针对性修改，同时探索多种提示策略以避免局部最优。
用途方面，该技能服务于需要为文本分类构建高质量 LLM 提示的研究者。一个项目可以是单一分类任务，也可以对同一语料应用多个维度（例如情绪、方向性、修辞风格）。每个维度拥有独立的提示和优化轨迹：阶段0-1统一定义所有维度，阶段2-5则按提示分别推进，允许不同提示以各自节奏收敛。
主要能力与原则：反思而非猜测，未经证据不修改提示；指令优先于示例，精心编写的指令通常优于少样本演示且更省 token；多样性避免死路，单一策略的爬山容易停滞；更短往往更好，聚焦的提示优于冗长提示；测量才能改进，标注样例与指标必不可少；用户是领域专家，负责验证实质准确性与标签定义，技能负责提示工程。
使用方式上，技能以七阶段工作流推进：阶段0任务定义与数据评估（明确输入文本、研究问题、分类方案、标注数据、约束与成功标准；无分类方案时走探索路径）；阶段1种子提示构建（先沉浸阅读真实文本，再依据观察构建标签定义与输出格式）；阶段2评估设置（审计金标准标签、划分开发/测试集、选择指标、建立基线）；阶段3反思优化（2-4轮迭代，检查误分类、诊断定义性问题或指令性问题并做针对性修复）；阶段4多样性探索；阶段5合并与选择；阶段6部署打包。阶段间需暂停供用户审阅，每阶段结束撰写备忘录，阶段6将备忘录综合为可发表的方法叙述。文件管理使用 git 跟踪进度，每阶段修改前先提交当前状态，不创建带版本后缀的副本。
适用场景包括社会科学文本标注、多维度内容分析、需要可复现方法记录的提示工程研究。限制方面：优化依赖标注数据与指标，无法测量则无法优化；金标准标签不一致时提示会过拟合噪声；人类标注者间一致性构成性能上限。具体支持模型、价格与效果等事实资料未提供。