Prompt Optimizer 是一个提示词评估与优化技能，使用 58 种经过验证的提示工程技术，对提示词进行质量评估、给出针对性改进建议，并生成优化后的版本。它系统性地从多个质量维度分析提示词，并应用有依据的优化模式。
用途
该技能主要用于提示词的评估、优化与增强。当用户要求改进、优化或分析某段提示词时，当提示词需要修复或提升效果时，或当用户询问提示工程技术、最佳实践、以及想分析提示词为何产出不佳结果时，可以启用本技能。
主要能力
- 基于 58 种经过验证的提示工程技术进行优化。
- 从多个质量维度系统评估提示词。
- 生成针对性的优化建议与优化后的提示词版本。
使用方式
快速开始
对于大多数优化任务，可遵循以下工作流程：
- 分析当前提示词——阅读理解用户想要达成的目标。
- 评估质量——从清晰度、具体性、结构、完整性等维度进行评估。
- 加载相关技术——阅读 references/prompt-techniques.md 以获取适用的方法。
- 生成建议——利用评估结果和技术提出改进方案。
- 创建优化版本——应用所选技术产出增强后的提示词。
评估工作流程
当用户要求优化或评估提示词时：
第 1 步：加载质量框架
阅读 references/quality-framework.md，理解以下评估维度：
- 清晰度（Clarity）——提示词是否无歧义、易于理解？
- 具体性（Specificity）——需求与约束是否明确定义？
- 结构（Structure）——是否遵循逻辑组织？
- 完整性（Completeness）——是否包含所有必要的上下文与指令？
- 语气（Tone）——语气是否适合任务？
- 约束（Constraints）——边界与限制是否清晰？
第 2 步：执行质量评估
针对每个维度评估提示词：
- 识别优势（哪些方面做得好）
- 识别不足（缺失或不清晰之处）
- 评定质量（Poor/Fair/Good/Excellent）
- 记录具体的改进机会
第 3 步：识别适用的技术
加载 references/prompt-techniques.md，识别能解决已发现弱点的技术。
示例映射：
- 弱：“要有创意” → 应用：角色扮演或创意人格
- 弱：“写一篇文章” → 应用：思维链或逐步分解
- 弱：“总结这个” → 应用：带示例的少样本学习
第 4 步：生成优化方案
创建结构化的优化方案：
- 优先改进项——能解决多个弱点的高影响改动
- 可选增强项——可提升表现的锦上添花技术
- 技术组合——针对特定用例建议技术搭配
第 5 步：生成优化后的提示词
应用所选技术创建改进版本：
- 保留原始意图与需求
- 在缺失处补充结构与清晰度
- 按需嵌入示例、约束或指引
- 保持适当的语气与表达
优化模式
针对常见优化场景，可使用以下验证过的模式：
歧义请求 → 结构化拆解
当提示词缺乏清晰度时：
- 添加明确的任务定义
- 拆分为带编号步骤的子任务
- 包含输出格式规范
- 添加完成标准
笼统任务 → 技术增强
当提示词过于宽泛时：
- 应用 references/prompt-techniques.md 中的相关技术
- 添加示例（少样本）或推理步骤（CoT）
- 包含角色或人格指引
- 明确评估标准
缺失上下文 → 场景框定
当提示词缺乏背景时：
- 添加用户意图/目标陈述
- 包含目标受众说明
- 定义成功指标
- 添加相关约束或边界
薄弱指令 → 可执行步骤
当提示词给出模糊指引时：
- 将抽象概念转化为具体行动
- 添加逐步指令
- 包含质量检查点
- 明确预期输出格式
脚本用法
质量评估
用于一致、可重复的评估：
python3 scripts/evaluate.py "Your prompt here"
该脚本提供：
- 维度评分（清晰度、具体性、结构、完整性）
- 总体质量评级
- 详细的弱点分析
- 建议的改进方向
提示词优化
用于自动生成优化版本：
python3 scripts/optimize.py "Your prompt here" --techniques "few-shot,coT"
该脚本生成：
- 多个优化后的提示词版本
- 所应用技术的说明
- 与原始提示词的对比
注意：脚本适用于自动化或需要确定性结果的场景。对于复杂的优化任务，请使用手动工作流程以获得更细致的分析。
参考文件
references/prompt-techniques.md
包含 58 种提示工程技术的完整目录，包括：
- 推理技术（CoT、思维树、分解）
- 上下文技术（少样本、自一致性、反思）
- 创意技术（角色扮演、场景、人格）
- 结构化技术（模板、框架、检查清单）
- 以及 50 多种带使用示例的其他技术
当需要为特定优化任务识别适用技术时，加载此文件。
references/quality-framework.md
详细的评估框架，包括：
- 各维度的具体标准与评分细则
- 评分指南
- 需避免的常见反模式
- 不同提示词类型的质量基准
在任何评估任务之前加载此文件，以确保评估一致。
references/optimization-patterns.md
经过验证的优化模式集合，包括：
- 模式到技术的映射
- 前后对比示例
- 技术组合指南
- 特定用例模板
在优化常见提示词类型（文章、代码生成、分析等）时加载此文件。
最佳实践
- 保留用户意图——绝不改变用户想要什么，只改变他们如何提出请求
- 增量添加——一次应用一种技术并评估影响
- 迭代测试——优化后测试提示词，如有需要进一步改进
- 记录选择——解释所应用的技术及其原因
- 提供选项——在合适时提供多个优化版本
适用场景
当出现以下情况时，应启用本技能：
- 用户明确要求“优化”“改进”或“评估”提示词
- 用户询问某个提示词是否“好”或“清晰”
- 用户想要“修复”或“增强”一个效果不佳的提示词
- 用户要求提示词的“更好版本”
- 用户询问提示工程技巧或最佳实践
- 用户想分析某个提示词为何产出不佳结果
限制
关于该技能的收费、价格、支持平台及具体效果等事实，资料中暂未提供。