用途：引导研究者系统优化文本分类用的 LLM 提示词。项目可包含单一分类任务，也可对同一语料做多维度分类（如情绪、指向性、修辞风格），每个维度各自拥有提示词与优化轨道。
主要能力：以“反思而非猜测”为核心，先测试、看错误、找根因，再做有证据的修改；强调指令优于少样本示例、多样性避免死胡同、更短往往更好、必须可测量。流程分七个阶段：任务定义、种子提示词、评估设置、反思式优化（循环 2-4 次）、多样性探索、合并与选择、部署打包。每阶段结束写简要备忘录，记录尝试、发现与决策，并暂停供用户审阅。
使用方式：用 git 跟踪各阶段进度，修改新阶段输出文件前先提交当前状态，例如 git add [files] && git commit -m "prompt-optimizer: Phase N complete"；不要创建 -v2、-final 之类的版本副本，由 git 历史充当版本轨迹。
适用场景：学术或研究中的文本分类编码，如社交媒体评论、段落、文章、问卷回答等；支持已有分类方案（Path A）或需从探索性沉浸中发展分类方案（Path B）。
限制：资料未提供具体模型、价格、平台或效果数据；提示词优化无法修复不一致的金标准标签，性能上限受人工标注一致性约束。