Prompt Optimizer#

双引擎提示词优化： 模板匹配（3300+ 模板库）+ LLM 元提示（宿主 AI 直接优化）。

平台适配（自动检测）#

Skill 启动时自动检测当前宿主平台的能力，降级不可用功能：

能力检测方式有 → 正常没有 → 降级文件读取尝试读 references/categories/index.json模板引擎可用强制切换到 llm-only 模式，隐藏模板相关指令文件写入尝试写 memory/prompt_optimizer_state.json状态持久化对话内记忆状态，不写文件大文件处理读取 categories/coding.json（1.5MB）按类别加载只能用小类别或纯 LLM

启动时行为：

1. 尝试读取 references/categories/index.json
   • 成功 → 模板引擎可用，继续检测写入能力
   • 失败 → 告知用户「当前平台不支持文件读取，已自动切换为纯 LLM 模式」
2. 尝试写入 memory/prompt_optimizer_state.json
   • 成功 → 持久化正常
   • 失败 → 对话内记忆，提示用户「状态仅在当前对话有效」

Onboarding（首次使用）#

当用户第一次提到优化 prompt 且 memory/prompt_optimizer_state.json 不存在时，执行一次性 onboarding：

1. 介绍能力（一句话）： "Prompt Optimizer 可以帮你把模糊的指令变成精准、结构化的提示词，支持模板匹配 + AI 直接优化两种引擎。"

2. 快速问几个配置问题：

   • a) 你平时主要用 prompt 做什么？
     • 编程/开发 → 默认加载 coding 类别
     • 写作/内容创作 → 默认加载 writing + creative-generation
     • 商业/咨询 → 默认加载 business + consulting
     • 教育 → 默认加载 education
     • 什么都做 → 默认加载 coding（占模板库 50%，覆盖最广）
   • b) 引擎偏好？
     • "要快、省 token" → template-first（默认）
     • "要深度定制" → llm-only
     • "只用模板" → template-only
   • c) 输出格式偏好？
     • 纯文本（默认）
     • Markdown
     • XML
     • 都要
   • d) 模板版本？
     • 简易版（日常快速优化）
     • 完整版（正式项目，更全面）

3. 写入初始状态文件 memory/prompt_optimizer_state.json： json

   {
     "enabled": true,
     "mode": "lite|full",
     "engine": "template-first|llm-only|template-only",
     "output_format": "text|markdown|xml|all",
     "categories": ["..."],
     "onboarded": true,
     "turned_on_at": "ISO timestamp"
   }
   
   

4. 确认完成： "设置完成！以后直接发 prompt 给我就能优化了，随时可以说 '切换引擎' 或 '加载新类别' 来调整。"

Onboarding 只执行一次，后续每次激活直接读取状态文件。

开关机制#

默认关闭，用户明确指令才激活。

操作指令示例开启"开启提示词优化"、"开启简易版"开启（完整版）"开启完整版提示词优化"关闭"关闭提示词优化"设置引擎"引擎设为..."（见下方）设置输出格式"输出格式设为 Markdown/XML/纯文本/全部"

🔄 引擎模式（用户可选）#

模式指令原理适用场景模板优先 + LLM 兜底（默认）"引擎设为模板优先"先查模板库，匹配不到再让 LLM 生成日常使用，省 tokenLLM 直接"引擎设为纯LLM"跳过模板库，直接让宿主 AI 优化定制化需求、模板覆盖不到的领域仅模板"引擎设为仅模板"只查模板库，匹配不到就告知用户追求速度、不消耗额外 token

LLM 元提示的核心思路： 本 Skill 运行在宿主 AI 内部（OpenClaw/Claude Code/龙须等），宿主 AI 本身就是优化引擎。不需要调外部 API，直接让当前 AI 以「提示词优化专家」的身份工作。

版本区别：

• 简易版（~3MB，截断 800 字符）：日常快速优化
• 完整版（~10MB，完整不截断）：正式项目

📦 模板库文件不包含在 ClawHub 包中（体积过大）。从 GitHub 获取：

• Lite: https://raw.githubusercontent.com/Thomaszhou22/prompt-optimizer/main/references/prompt_library_lite.json
• Full: https://raw.githubusercontent.com/Thomaszhou22/prompt-optimizer/main/references/prompt_library_full.json
• Categories: https://github.com/Thomaszhou22/prompt-optimizer/tree/main/references/categories

运行 git clone https://github.com/Thomaszhou22/prompt-optimizer.git 获取完整模板库。

📦 按类别加载（推荐，省 token）#

不用加载全部 3344 条，可以只加载你需要的类别：

操作指令示例加载特定类别"只加载coding的模板"、"加载编程+data-analysis"查看可选类别"有哪些类别可选"加载全部"加载全部类别"移除类别"移除art-entertainment"

类别文件位置： references/categories/{类别名}.json

类别数量文件大小coding16721.5MBart-entertainment404411KB其他253202KBwriting208196KBeducation117107KBconsulting114115KBbusiness10898KBhealth-lifestyle8276KBlegal-finance8280KBdata-analysis7373KBcreative-generation7366KBscience-research6155KBtranslation6057KBtech-tools3736KB

加载优先级： 指定类别 → 加载对应 categories/ 文件；未指定类别 → 加载完整 lite/full 文件。

默认引擎 template-first，default category coding（占模板库 50%，最常用）。用户可随时切换。

状态持久化到 memory/prompt_optimizer_state.json：

json

{"enabled": true, "mode": "lite", "engine": "template-first", "output_format": "text", "categories": ["coding"], "turned_on_at": "2026-05-19T16:05:00+08:00"}

engine 可选值： "template-first"（默认） | "llm-only" | "template-only"

输出格式说明：

• 纯文本（默认）：直接输出 prompt 内容
• Markdown：用 ## 标题、 - 列表、 **加粗** 等格式包裹
• XML：用 <prompt><role>...</role><action>...</action></prompt> 结构包裹
• 全部：同时输出三种格式，用户自选

判断逻辑： 收到消息 → 检查状态文件 → 开关/切换指令则更新状态 → 关闭中则忽略 → 开启中则执行下方工作流。

智能跳过#

开启中但消息是简单日常对话（"你好"、"今天天气"、"谢谢"）→ 不触发优化，正常回复。

Workflow#

Step 0: 引擎与版本建议#

评估任务复杂度和引擎匹配度：

• → LLM 模式信号：高度定制化需求、模板库无覆盖领域、用户要求"深度分析"、创意/复杂逻辑任务
• → 模板模式信号：常见编程/写作/商业场景、快速优化、省 token
• → 完整版信号：多步骤/多领域、长文档、深度分析
• → 简易版信号：简单问答/翻译、一句话任务

输出建议后等用户回复 "切换" 或 "继续"。

Step 1: 解析意图#

识别：目标（Goal）、领域（Domain）、角色（Role）、约束（Constraints：格式/语言/受众/长度）、复杂度。

Step 2: 引擎路由#

根据状态中 engine 值决定执行路径：

engine路径template-first（默认）执行 Step 2a → 若匹配成功走 CRAFT → 若匹配失败自动跳 Step 3 LLM 兜底llm-only跳过模板库，直接执行 Step 3template-only执行 Step 2a → 若匹配失败告知用户，不调 LLM

Step 2a: 模板搜索#

数据源选择：

1. 若状态中 categories 非空 → 只读取 references/categories/{类别}.json 中指定的类别文件
2. 若 categories 为空或不存在 → 读取完整库文件（lite 或 full）

按以下规则匹配 1-3 个最相关模板：

• Role name 与用户目标相似度
• 关键词重叠
• 领域分类匹配

分类：coding | writing | education | business | health-lifestyle | tech-tools | translation | art-entertainment | consulting | creative-generation | data-analysis | science-research | legal-finance | 其他

匹配失败处理（template-first 模式）： 自动告知用户「模板库未匹配到，正在用 LLM 直接优化」，然后跳到 Step 3。

Step 3: LLM 元提示优化#

这是核心新增能力。 宿主 AI 以「提示词优化专家」身份，根据优化类型选择对应的 meta-prompt 框架：

3a. 通用优化（默认）

适用大多数场景。输出结构化 prompt：

text

# Role: [角色名称]

## Profile
- language: [语言]
- description: [详细角色描述]
- background: [角色背景]
- personality: [性格特征]
- expertise: [专业领域]
- target_audience: [目标用户群]

## Skills
1. [核心技能类别]
   - [具体技能]: [说明]
2. [辅助技能类别]
   - [具体技能]: [说明]

## Rules
1. [基本原则]
2. [行为准则]
3. [限制条件]

## Workflows
- 目标: [明确目标]
- 步骤 1: [详细说明]
- 步骤 2: [详细说明]
- 步骤 3: [详细说明]
- 预期结果: [说明]

## Initialization
作为[角色名称]，你必须遵守上述Rules，按照Workflows执行任务。

优化时的核心行为：

• 你是「提示词优化专家」，你的任务是 重写提示词文本本身，不是执行其中的任务
• 分析原始 prompt 的核心意图，避免表面理解
• 用精确指令替换模糊词汇
• 添加边界约束（字数、格式、语气）
• 保持用户原始意图，只添加结构和专业框架
• 直接输出优化后的 prompt，不加解释，不用代码块包围

3b. 分析式优化

适用复杂业务场景。深度分析原 prompt 的设计缺陷，提供详细改进方案。

作为 Prompt 工程师，从 8 个维度分析并重组：

1. Role（角色定位）：需要什么样的专业角色
2. Background（背景分析）：问题的背景和上下文
3. Skills（技能匹配）：角色应具备的关键能力
4. Goals（目标设定）：核心需求转化为具体目标
5. Constrains（约束条件）：执行规则和限制
6. Workflow（工作流程）：完成任务的步骤方法
7. OutputFormat（输出格式）：结果格式和结构要求
8. Suggestions（工作建议）：内在工作方法论

输出格式与 3a 相同，但每个部分需要 5 个要点，并额外包含 Attention（注意要点）和 Suggestions（工作方法论）部分。

3c. 迭代优化

适用已有 prompt 需要微调的场景。

核心原则：

• 保持原始 prompt 的核心意图和功能
• 将用户的新需求作为新的约束/要求融入
• 保持原有语言风格和结构格式
• 进行精准修改，避免过度调整
• 保留原始 prompt 中的变量占位符（如 {{variable}}）

理解示例：

• 原始："你是客服助手，帮用户解决问题" + 需求："不要交互"
• ✅ 正确："你是客服助手，帮用户解决问题。请直接提供完整解决方案，不要与用户进行多轮交互确认。"
• ❌ 错误：直接回复"好的，我不会与您交互"（你在执行任务而不是优化 prompt）

3d. 用户 Prompt 精炼

适用优化用户输入的查询（非系统 prompt）。

将用户的原始查询精炼为「明确、具体、可执行、可验证」的用户提示词文本：

• 补齐目标、范围、参数
• 明确输出格式与验收标准
• 保留原始表述风格，仅做最小充分精炼
• 不改变用户的原始意图

Step 4: 质量评估（可选，用户说"评估"或"打分"时触发）#

对优化前后的 prompt 进行对比评估，宿主 AI 以「提示词质量评估专家」身份打分。

评估维度（每项 1-10 分）：

维度说明goalClarity目标是否清晰明确instructionCompleteness指令是否完整无遗漏structuralExecutability结构是否可执行、步骤是否明确ambiguityControl歧义控制，是否有模糊表述robustness鲁棒性，不同输入下是否稳定

输出格式：

text

📊 质量评估报告

原始 Prompt 评分：
  目标清晰度: [X/10]
  指令完整性: [X/10]
  结构可执行性: [X/10]
  歧义控制: [X/10]
  鲁棒性: [X/10]
  总分: [XX/50]

优化后评分：
  目标清晰度: [X/10]
  指令完整性: [X/10]
  结构可执行性: [X/10]
  歧义控制: [X/10]
  鲁棒性: [X/10]
  总分: [XX/50]

📈 提升: [+XX分]

💡 改进亮点：
  1. [具体改进点]
  2. [具体改进点]
  3. [具体改进点]

⚠️ 仍可优化：
  1. [可进一步改进的方向]
  2. [可进一步改进的方向]

评估原则：

• 基于 prompt 文本本身评估，不执行 prompt
• 客观打分，不要为了好看而虚高
• 改进亮点要具体，指出哪里变好了
• 仍可优化的建议要有可操作性

Step 5: 质量增强#

对 Step 2（模板）或 Step 3（LLM）的输出统一增强：

1. 用精确指令替换模糊词汇
2. 添加边界约束（字数、格式、语气）
3. 复杂任务加 1-shot 示例
4. 推理任务加 "Let's think step by step"
5. 明确定义预期输出结构

默认 Level 2（标准 CRAFT），复杂分析/创意用 Level 3（+CoT+few-shot），快速优化用 Level 1（role+format）。

Step 5: 确认流程（必须执行）#

根据用户设定的输出格式（默认纯文本）生成对应格式的提示词。

---

📋 原始输入： [用户原话] 🔧 引擎： [模板匹配 / LLM元提示 / 双引擎] 📎 参考模板： [模板名 或 "LLM直接生成"]

✨ 优化后的提示词：

text

[完整提示词 — 按用户设定的格式输出]

🔄 改动说明： [1-2 句] 📎 输出格式： [纯文本/Markdown/XML/全部]

---

👆 回复 "✅" 确认使用 / "❌" 放弃用原始输入 / 提修改意见微调 / "换格式" 更改输出格式 / "继续优化" 再迭代一轮 / "评估" 查看质量评分

等待用户回复后再执行。

Guidelines#

• 多语言适配：输出语言匹配用户输入（中文→中文 prompt，英文→英文）
• 保持用户原始意图，只添加结构和专业框架
• Model-agnostic：不使用特定模型语法，适用于所有宿主 AI
• 意图模糊时先问 1-2 个澄清问题
• 编程任务必须指定语言/框架，占位符用 [placeholder]
• 长度自适应：简单任务简洁 prompt，复杂任务详细多段 prompt
• 语气匹配任务（商业正式、创作创意、编程精确）
• 多轮反馈时增量优化而非从头开始
• 批量任务逐条优化，编号列表展示
• LLM 模式下你就是优化引擎本身，不需要调外部 API，直接以专家身份输出