用途：optimize-prompt 针对已有提示词文本进行重写与调优，目标是修复提示词实际存在的失败，而非泛泛“改得更好”。它处理的问题包括：堆叠技巧造成的臃肿、相互矛盾且消耗推理 token 的规则、与模型类型不匹配的脚手架（如在推理模型上使用思维链式散文）、易诱发编造的结构化输出模式，以及未经测量的“改进”。
主要能力：先确立失败案例与目标行为；判断目标模型属于推理原生还是标准对话模型，并据此决定大部分修改；在添加内容前先做减法，将指令分类为不变量（安全、合规、指定方法或审计要求）、偏好与疑似冗余，冻结不变量后删除矛盾与重复；按分层结构重建提示词（角色、任务、显式与否定约束、输出契约，必要时少量多样化示例、按模型类型决定是否使用思维链、机器消费输出使用严格 schema）；把风格类文字迁移到 API 参数；最后逐变量检查改写效果。
使用方式：提供现有提示词或失败案例即可。若尚无提示词，可先按 references/techniques.md 的分层结构起草，再运行同一流程。输出包含改写后的提示词、变更表（删除/修改/新增，每行对应失败案例或引用规则）、哪些 API 参数替代了哪些文字，以及检查结果或应执行的检查。$ARGUMENTS 存在时即为其要处理的提示词或失败。
适用场景：优化已有提示词、迁移模型时调整提示词、修复结构化输出与矛盾规则等。
限制：不用于编写自主运行的目标文本、提示词评测与基准比较、智能体循环控制流、文章文档或代码写作、单纯翻译本地化；提示词内的运行控制条款应交给其他技能。改写未经失败案例测量不算改进；schema 合法不等于语义正确；添加示例可能有害；机器优化生成的提示词不应手工编辑。资料未提供具体收费、价格与平台信息。