TS-Prompt-Optimizer 技能文档#

技能概述#

TS-Prompt-Optimizer（Task Specification Prompt Optimizer）是专为冬冬主人定制的提示词优化技能，具有以下核心特点：

1. 完全个性化 - 基于主人使用习惯和学习历史定制优化规则
2. 多模型支持 - 智能选择最优模型进行提示词优化
3. 智能路由集成 - 与现有模型路由系统深度集成
4. 上下文感知 - 理解对话历史和任务背景
5. 学习进化 - 从主人反馈中持续改进优化策略

触发机制#

前缀触发#

• 标准前缀： ts:（Task Specification）
• 备用前缀： ts-opt: 优化:
• 位置要求：必须位于消息开头（允许前导空格）
• 大小写：不敏感（ TS: Ts: tS: 均可）

触发示例#

text

ts: 帮我写一个Python脚本
ts-opt: 分析这张图片
优化: 总结这篇文章

功能特点#

1. 智能前缀检测#

• 多前缀支持： ts: ts-opt: 优化: 三种触发方式
• 灵活匹配：大小写不敏感，支持前导空格
• 快速响应：检测时间 < 100ms

2. 多模型智能路由#

• 成本优先：简单任务使用DeepSeek（成本低）
• 能力优先：复杂任务使用千问（能力强）
• 自动切换：根据任务复杂度自动选择最优模型
• 故障转移：主模型失败时自动切换到备用模型

3. 个性化优化规则#

• 主人专属：基于冬冬主人使用习惯定制
• 任务分类：自动识别技术 写作 分析 创意等任务类型
• 上下文感知：结合对话历史进行优化
• 持续学习：从主人反馈中不断改进

4. 完整配置系统#

• 环境变量：支持DEEPSEEK_API_KEY和BAILIAN_API_KEY
• 交互式向导： config_wizard.py 提供友好配置界面
• 命令行工具： ts-config 提供完整配置管理功能
• 状态检查：实时监控配置状态和模型可用性

5. 性能优化#

• 快速响应：优化过程 < 2秒
• 成本控制：优化成本 < 任务成本的10%
• 资源高效：内存占用低，无外部依赖
• 稳定可靠：完善的错误处理和恢复机制

使用方法#

基本使用#

直接在对话中使用 ts: 前缀触发优化：

text

ts: 帮我写个Python爬虫脚本
ts-opt: 分析这个季度的销售数据
优化: 为新产品写个营销文案

高级使用#

1. 指定任务类型

可以在前缀后添加任务类型提示：

text

ts: [技术] 设计数据库表结构
ts: [写作] 写封商务邮件
ts: [分析] 分析用户行为数据

2. 添加约束条件

在任务描述中明确约束：

text

ts: 写个Python函数，要求：
- 使用异步编程
- 支持错误重试
- 输出JSON格式

3. 结合上下文

优化器会自动结合对话历史：

text

用户：我之前在做电商项目
用户：ts: 帮我设计用户表结构
优化器：会结合电商项目上下文进行优化

配置管理#

1. 初始配置

bash

# 进入技能目录
cd skills/ts-prompt-optimizer/scripts

# 运行配置向导
python config_wizard.py

# 或使用命令行工具
ts-config setup

2. 状态检查

bash

ts-config status      # 查看配置状态
ts-config check       # 检查配置问题
ts-config test        # 测试模型连接

3. 模型管理

bash

ts-config show        # 显示模型详情
ts-config get deepseek  # 获取特定模型配置
ts-config optimize "测试优化功能"  # 测试优化功能

配置系统#

配置文件结构#

TS-Prompt-Optimizer 使用分层配置系统：

1. 默认配置： config/model_config.json - 基础模型配置
2. 用户配置： ~/.openclaw/ts-optimizer-config.yaml - 用户个性化配置
3. 环境变量： DEEPSEEK_API_KEY BAILIAN_API_KEY - API密钥
4. 运行时配置：内存中的动态配置

配置优先级#

text

环境变量 > 用户配置文件 > 默认配置文件

配置项说明#

模型配置

yaml

models:
  deepseek:
    provider: deepseek
    model: deepseek-chat
    api_key_env: DEEPSEEK_API_KEY
    enabled: true
    priority: 1
    cost_per_1k_tokens: 0.42
    capabilities:
      - 日常对话
      - 简单优化
      - 代码审查

  qwen35:
    provider: bailian
    model: qwen3.5-plus
    api_key_env: BAILIAN_API_KEY
    enabled: true
    priority: 2
    cost_per_1k_tokens: 0.00
    capabilities:
      - 复杂任务
      - 图像识别
      - 中文写作

  qwen_coder:
    provider: bailian
    model: qwen3-coder-next
    api_key_env: BAILIAN_API_KEY
    enabled: true
    priority: 3
    cost_per_1k_tokens: 0.00
    capabilities:
      - 技术开发
      - 代码生成
      - 系统设计

路由策略

yaml

routing:
  strategy: cost_effective  # 成本优先策略
  fallback_model: deepseek  # 备用模型
  cost_threshold: 1.00      # 成本阈值（美元/千token）

用户偏好

yaml

user_preferences:
  default_optimization_level: standard
  show_config_summary: true
  auto_test_connections: true
  preferred_output_formats:
    code: "完整代码 + 注释 + 测试"
    report: "Markdown + 数据可视化"
    email: "正式商务邮件格式"

配置验证#

配置系统会自动验证：

1. API密钥有效性：检查密钥格式和权限
2. 模型可用性：测试模型连接状态
3. 配置完整性：检查必需配置项
4. 环境兼容性：检查系统环境和依赖

配置备份与恢复#

bash

# 备份配置
ts-config backup

# 恢复配置
ts-config restore backup_20240404.yaml

# 导出配置
ts-config export > my_config.yaml

# 导入配置
ts-config import < my_config.yaml

前缀触发#

• 标准前缀： ts:（Task Specification）
• 备用前缀： ts-opt: 优化:
• 位置要求：必须位于消息开头（允许前导空格）
• 大小写：不敏感（ TS: Ts: tS: 均可）

触发示例#

text

ts: 帮我写一个Python脚本
ts-opt: 分析这张图片
优化: 总结这篇文章

配置系统#

多模型API配置#

TS-Prompt-Optimizer 支持多种AI模型，需要配置相应的API密钥：

配置方式：

1. 环境变量（推荐）： bash

   export DEEPSEEK_API_KEY="sk-xxx"
   export BAILIAN_API_KEY="sk-yyy"
   
   

2. 交互式配置向导： bash

   cd skills/ts-prompt-optimizer/scripts
   python config_wizard.py
   
   

3. 命令行工具： bash

   ts-config setup      # 运行配置向导
   ts-config status     # 查看配置状态
   ts-config test       # 测试模型连接
   ts-config check      # 检查配置问题
   
   

支持的模型：

• DeepSeek：日常对话 简单任务（成本低）
• 千问 3.5 Plus：复杂任务 图像识别（免费额度）
• 千问 Coder Next：技术开发 代码生成（免费额度）
• 自定义模型：支持其他AI模型

配置检查：

运行以下命令检查配置状态：

bash

ts-config status

输出示例：

text

TS-Prompt-Optimizer 配置状态
============================================================
总模型数: 3
已配置模型: 2
启用模型: 3

模型详情：
  deepseek: deepseek/deepseek-chat [可用]
  qwen35: bailian/qwen3.5-plus [可用]
  qwen_coder: bailian/qwen3-coder-next [启用但未配置]

优化流程（四层架构）#

层 1：输入处理#

text

原始输入   前缀检测   意图提取   上下文分析

层 2：多模型优化#

text

原始意图   模型选择器   发送到最优模型   返回优化结果

模型选择策略：

• 简单优化（日常对话 简单任务） DeepSeek（成本低）
• 复杂优化（技术任务 创意写作） 千问 3.5 Plus（免费且能力强）
• 专业优化（特定领域任务） 其他专业模型

层 3：个性化适配#

text

优化结果   主人偏好适配   应用个性化规则   最终提示词

个性化规则来源：

1. memory/ts-optimization-history.md - 历史优化案例
2. memory/dongdong-preferences.md - 主人明确偏好
3. 实时对话上下文分析

层 4：执行与反馈#

text

最终提示词   执行   收集反馈   更新知识库

优化原则（冬冬主人定制版）#

1. 角色定义优化#

默认角色： 资深AI助手专家，专为冬冬主人服务 根据任务类型自动调整：

• 技术任务 资深全栈开发工程师
• 写作任务 专业文案策划师
• 分析任务 数据分析专家
• 创意任务 创意策划专家

2. 任务澄清优化#

原则：将模糊指令转化为具体可执行任务 示例：

• 原始： 写个脚本
• 优化： 编写一个Python脚本，功能是...，要求...，输出格式...

3. 上下文补充优化#

自动补充：

• 对话历史中的相关信息
• 主人的已知偏好和习惯
• 任务相关的背景假设

4. 输出格式规范#

标准化输出格式：

• 代码任务 完整可运行代码 + 注释 + 使用说明
• 文档任务 Markdown格式 + 清晰结构
• 分析任务 数据表格 + 结论总结
• 创意任务 结构化内容 + 风格说明

5. 质量约束优化#

自动添加：

• 字数/篇幅要求
• 技术栈约束
• 风格/语气要求
• 时间/复杂度估计

与智能路由系统集成#

集成方式#

text

主人输入 "ts: [任务]"   触发优化技能   智能路由选择模型   优化提示词   执行优化后的任务

成本优化#

• 优化过程本身：使用成本最低的合适模型
• 任务执行：根据任务复杂度自动选择最优模型
• 总体目标：在保证质量的前提下最大化成本节省

个性化学习机制#

学习数据源#

1. 历史优化记录：每次优化都记录到 memory/ts-optimization-history.md
2. 主人反馈：通过 / 反馈收集优化效果
3. 成功案例：记录特别成功的优化案例
4. 失败教训：分析优化失败的原因

学习算法#

1. 模式识别：识别主人偏好的优化模式
2. 反馈学习：根据主人反馈调整优化策略
3. 上下文关联：学习任务类型与优化方式的关联
4. 持续进化：定期回顾和更新优化规则

使用示例#

示例 1：简单技术任务#

主人输入：

text

ts: 写个排序函数

优化过程：

1. 检测到 ts: 前缀，触发优化
2. 识别为技术任务，选择千问 3.5 Plus 优化
3. 应用技术任务优化规则
4. 生成优化后的提示词

优化结果：

text

作为资深Python开发工程师，请编写一个高效的排序函数，要求：
1. 支持多种排序算法（快速排序 归并排序 堆排序）
2. 包含完整的类型提示和文档字符串
3. 提供性能测试和复杂度分析
4. 输出完整的可运行代码
请使用Python 3.9+语法，代码风格符合PEP 8规范

示例 2：复杂分析任务#

主人输入：

text

ts: 分析销售数据

优化结果：

text

作为数据分析专家，请分析提供的销售数据，要求：
1. 数据清洗和预处理步骤
2. 关键指标计算（销售额 增长率 客户分布）
3. 可视化图表（折线图 柱状图 饼图）
4.  actionable insights 和建议
5. 输出Markdown格式报告
请假设数据包含日期 产品 销售额 客户ID等字段

文件结构#

text

skills/ts-prompt-optimizer/
    SKILL.md              # 技能文档（本文件）
    scripts/
        optimizer.py      # 核心优化引擎
        model_selector.py # 模型选择器
        personalizer.py   # 个性化适配器
        learner.py        # 学习模块
    config/
        dongdong_rules.json  # 主人专属优化规则
        model_config.json    # 模型配置
    memory/
        optimization_history.md  # 优化历史
        preferences.md           # 主人偏好

配置说明#

主人偏好配置#

编辑 config/dongdong_rules.json：

json

{
  "preferred_roles": {
    "technical": "资深全栈工程师",
    "writing": "专业文案策划",
    "analysis": "数据分析专家"
  },
  "output_formats": {
    "code": "完整代码 + 注释 + 测试",
    "report": "Markdown + 数据可视化",
    "email": "正式商务邮件格式"
  },
  "quality_constraints": {
    "default_word_count": 500,
    "preferred_tech_stack": ["Python", "JavaScript", "React"],
    "writing_style": "专业 简洁 实用"
  }
}

模型配置#

编辑 config/model_config.json：

json

{
  "optimization_models": {
    "simple": "deepseek/deepseek-chat",
    "complex": "bailian/qwen3.5-plus",
    "technical": "bailian/qwen3-coder-next",
    "creative": "bailian/qwen3.5-plus"
  },
  "routing_strategy": "cost_effective",
  "fallback_model": "deepseek/deepseek-chat"
}

性能指标#

优化质量指标#

• 清晰度提升：模糊指令 明确指令
• 完整性提升：补充缺失的上下文和约束
• 可执行性：优化后的指令可直接执行
• 主人满意度：通过反馈收集

效率指标#

• 优化时间：< 2秒
• 成本效率：优化成本 < 任务执行成本的10%
• 准确率：优化符合主人意图的比例

故障处理#

常见问题#

1. 前缀未触发：检查消息是否以 ts: 开头
2. 优化质量差：检查个性化规则配置
3. 模型选择错误：检查模型配置和路由策略
4. 学习数据丢失：检查 memory/ 目录权限

恢复措施#

1. 回退到默认优化规则
2. 使用备用模型
3. 提示主人提供更多上下文
4. 记录问题并后续优化

安装方法#

自动安装（推荐）#

如果技能已发布到ClawHub，可以通过以下命令安装：

bash

# 搜索技能
clawhub search ts-prompt-optimizer

# 安装技能
clawhub install ts-prompt-optimizer

# 或指定版本
clawhub install ts-prompt-optimizer@1.0.0

手动安装#

如果从源代码安装：

bash

# 1. 下载技能包
cd ~/.openclaw/workspace/skills

# 2. 解压技能包
unzip ts-prompt-optimizer.zip

# 3. 运行安装脚本
cd ts-prompt-optimizer/scripts
python quick_setup.py

# 4. 验证安装
ts-config status

依赖检查#

TS-Prompt-Optimizer 需要以下依赖：

bash

# Python 3.8+
python --version

# 必需Python库
pip install pyyaml

# 可选：用于API调用
pip install requests

快速安装脚本#

技能包中包含快速安装脚本：

bash

cd ts-prompt-optimizer/scripts
python quick_setup.py

该脚本会自动：

1. 检查Python版本
2. 安装必需依赖
3. 创建配置文件
4. 设置环境变量
5. 验证安装

安装验证#

安装完成后，运行以下命令验证：

bash

ts-config status     # 检查配置状态
ts-config test       # 测试模型连接
ts-config check      # 检查系统兼容性

测试方法#

单元测试#

技能包含完整的单元测试套件：

bash

# 运行所有测试
cd skills/ts-prompt-optimizer/scripts
python test_simple.py

# 运行特定测试
python test_optimizer.py

功能测试#

1. 前缀检测测试

python

# 测试脚本示例
from optimizer import TSPromptOptimizer

optimizer = TSPromptOptimizer()

test_cases = [
    ('ts: 测试', True),
    ('TS: 大写', True),
    ('ts-opt: 备用', True),
    ('优化: 中文', True),
    ('无前缀', False),
]

for input_text, expected in test_cases:
    result = optimizer.should_optimize(input_text)
    print(f'{input_text}: {result} (期望: {expected})')

2. 优化功能测试

python

# 测试优化功能
result = optimizer.optimize_prompt('ts: 写个Python函数')
print('优化结果:', result)

3. 配置系统测试

bash

# 测试配置系统
ts-config status
ts-config check
ts-config test

集成测试#

1. 与OpenClaw集成测试

bash

# 在OpenClaw中测试技能触发
# 发送消息: "ts: 帮我写个脚本"
# 检查是否触发优化

2. 与智能路由系统集成测试

bash

# 测试模型路由
# 简单任务应使用DeepSeek
# 复杂任务应使用千问

性能测试#

1. 响应时间测试

python

import time
from optimizer import TSPromptOptimizer

optimizer = TSPromptOptimizer()
start = time.time()
result = optimizer.optimize_prompt('ts: 测试')
elapsed = time.time() - start
print(f'优化时间: {elapsed:.3f}秒')

2. 内存使用测试

bash

# 使用memory_profiler测试内存使用
pip install memory_profiler
mprof run python test_performance.py

兼容性测试#

1. 平台兼容性

• [OK] Windows 10/11
• [OK] Linux (Ubuntu 20.04+)
• [OK] macOS 12+

2. Python版本兼容性

• [OK] Python 3.8
• [OK] Python 3.9
• [OK] Python 3.10
• [OK] Python 3.11
• [OK] Python 3.12

错误处理测试#

python

# 测试错误处理
try:
    # 测试无效输入
    result = optimizer.optimize_prompt('')
    print('空输入测试:', result)
except Exception as e:
    print('错误处理正常:', e)

自动化测试#

技能包含自动化测试脚本：

bash

# 运行完整测试套件
cd skills/ts-prompt-optimizer/scripts
python run_all_tests.py

测试输出示例：

text

========================================
TS-Prompt-Optimizer 测试报告
========================================
[OK] 前缀检测测试: 5/5 通过
[OK] 优化功能测试: 3/3 通过
[OK] 配置系统测试: 4/4 通过
[OK] 性能测试: <2秒响应
[OK] 错误处理测试: 2/2 通过
========================================
总测试: 14/14 通过 (100%)
========================================

测试覆盖率#

bash

# 使用coverage.py测试代码覆盖率
pip install coverage
coverage run -m pytest test_*.py
coverage report -m

目标覆盖率：

• 语句覆盖率: >90%
• 分支覆盖率: >85%
• 函数覆盖率: >95%

更新与维护#

定期维护#

• 每周：回顾优化历史，更新个性化规则
• 每月：分析主人反馈，调整优化策略
• 每季度：评估技能效果，进行大版本更新

主人参与#

主人可以通过以下方式参与技能优化：

1. 提供优化反馈（[OK]/[FAIL]）
2. 分享特别成功的优化案例
3. 提出新的优化需求
4. 调整个性化配置

---

技能状态：[OK] 就绪 最后更新：2026-04-04 版本：1.0.0（冬冬主人定制初版）

定期维护#

• 每周：回顾优化历史，更新个性化规则
• 每月：分析主人反馈，调整优化策略
• 每季度：评估技能效果，进行大版本更新

主人参与#

主人可以通过以下方式参与技能优化：

1. 提供优化反馈（ / ）
2. 分享特别成功的优化案例
3. 提出新的优化需求
4. 调整个性化配置

---

技能状态：[OK] 就绪 最后更新：2026-04-04 版本：1.0.0（冬冬主人定制初版）