optimize

Optimize Prompts 是一个用于分析和优化提示词（prompt）的技能。它通过拉取用户在 Contextstellar 中的最近评分统计，分析提示词质量模式，并据此给出可操作的优化建议。

用途

当用户希望改进自己的提示词撰写模式、降低 token 成本，或查看 RLM（Reinforcement Learning Model，强化学习模型）的学习权重时使用本技能。

主要能力

该技能首先获取完整的评分统计数据，以了解当前的评分模式。执行的命令为：

curl -s "${CONTEXTSTELLAR_BASE_URL:-https://contextstellar.com}/api/v1/hooks/stats?projectId=${CONTEXTSTELLAR_PROJECT_ID}"
-H "Authorization: ${CONTEXTSTELLAR_API_KEY}"

随后分析返回结果，并构建报告，内容包括：

一、评分分布分析

• 如果大多数评分为 C/D/F：重点放在结构清晰度和具体性上。
• 如果大多数评分为 B：重点放在缓存友好性和 token 利用率上。
• 如果大多数评分为 A/A+：表示祝贺，并说明哪些做法是有效的。

二、RLM 学习权重（如可用）

• 将学习到的权重与默认权重进行比较。
• 突出 RLM 上调权重的维度（这些维度对该项目最重要）。
• 突出被下调权重的维度（这些维度相对不那么重要）。

三、基于最薄弱维度给出具体建议

Token 利用率（如果偏低）：

• 删除礼貌用语（如 "please"、"could you"、"I'd like you to"）。
• 去掉填充词（如 "basically"、"actually"、"just"、"really"）。
• 消除冗余（不要重复表达同一件事）。

结构清晰度（如果偏低）：

• 使用 XML 标签划分区块（如 <context>、<instructions>、<output_format>）。
• 对多步骤说明使用编号列表。
• 为较长的提示词添加标题。

具体性（如果偏低）：

• 添加具体数字（例如用 "return top 5" 而不是 "return some"）。
• 明确指定输出格式（例如 "respond in JSON with fields: ..."）。
• 提供预期输出的示例。

内容密度（如果偏低）：

• 减少重复短语。
• 提高词汇多样性。
• 消除 n-gram 重复。

缓存友好性（如果偏低）：

• 将静态内容（系统提示、示例）移到动态内容（用户消息）之前。
• 从提示词开头移除时间戳、日期和 UUID。
• 将易变数据集中放在末尾。

使用方式

如果 $ARGUMENTS 中包含一条提示词，则对其评分，并展示修改前后的对比以及具体编辑建议。最后给出用户的趋势方向，并鼓励持续改进。

适用场景

适用于希望系统性改进提示词质量、优化 token 使用、或了解自身提示词评分趋势的用户，尤其是使用 Contextstellar 进行提示词评分与管理的工作流。

限制

本技能依赖 Contextstellar 的服务与 API 凭证（CONTEXTSTELLAR_BASE_URL、CONTEXTSTELLAR_PROJECT_ID、CONTEXTSTELLAR_API_KEY），必须先配置这些环境变量才能获取统计数据；RLM 学习权重仅在可用时才会展示；具体的定价、平台支持范围等信息暂未提供。