prompt-optimization-tool（提示优化工具）

AI Prompt Optimizer — 提示词自动优化器

功能说明

基于 A/B 测试和性能数据，自动优化 AI 提示词，提升输出质量并降低 Token 消耗。让提示词工程从"艺术"变成"科学"。

核心能力

1. 提示词分析 (Prompt Analysis)

analysis_dimensions:
  - clarity: 清晰度（指令是否明确）
  - specificity: 具体性（是否有足够细节）
  - structure: 结构化（是否有清晰格式）
  - examples: 示例（是否有 few-shot 示例）
  - constraints: 约束（是否有输出限制）
  - tone: 语气（是否适合场景）

scoring:
  - overall_score: 0-100
  - dimension_scores: 各维度分数
  - improvement_areas: 需改进的方面

使用示例：

用户：分析这个提示词的质量
Agent:
  1. 多维度评分
  2. 识别问题点
  3. 提供改进建议

2. A/B 测试 (A/B Testing)

test_setup:
  - variants: 2-5 个提示词变体
  - sample_size: 每个变体 100+ 次测试
  - metrics: 质量评分、Token 消耗、用户满意度
  - duration: 7-14 天

metrics_tracked:
  - output_quality: 输出质量（1-5 分）
  - token_efficiency: Token 效率
  - user_satisfaction: 用户满意度
  - task_completion: 任务完成率

使用示例：

用户：为这个提示词运行 A/B 测试
Agent:
  1. 生成 3 个变体
  2. 分配流量（33% each）
  3. 收集性能数据
  4. 选出最优版本

3. 自动优化 (Auto Optimization)

optimization_techniques:
  - prompt_compression: 压缩冗余内容
  - structure_addition: 添加结构化格式
  - example_injection: 注入 few-shot 示例
  - constraint_refinement: 优化约束条件
  - tone_adjustment: 调整语气风格

expected_improvements:
  - token_reduction: 30-60%
  - quality_improvement: 20-40%
  - consistency: 提升 50%+

使用示例：

用户：优化这个提示词
Agent:
  1. 分析当前版本
  2. 应用优化技术
  3. 输出优化版本
  4. 对比性能数据

4. 提示词库 (Prompt Library)

categories:
  - writing: 写作类
  - coding: 编程类
  - analysis: 分析类
  - creative: 创意类
  - business: 商业类

features:
  - search: 关键词搜索
  - filter: 按类别/评分筛选
  - rating: 社区评分
  - versioning: 版本历史

优化框架

BEFORE → AFTER 对比

❌ 低效提示词：

帮我写一个 Python 函数，要能处理各种情况，
考虑周全一点，输出要好。

✅ 优化后：

# 角色
Python 高级开发工程师

# 任务
编写一个数据验证函数

# 输入
- data: dict，待验证数据
- schema: dict，验证规则

# 输出
- valid: bool，是否通过验证
- errors: list，错误列表（如有）

# 约束
- 使用 type hints
- 添加 docstring
- 包含单元测试示例
- 处理边界情况

# 示例
输入：{"name": "John", "age": 25}
输出：{"valid": True, "errors": []}

效果对比：

优化技巧清单

1. 角色定义

• ❌ "你是一个助手"
• ✅ "你是拥有 10 年经验的资深 Python 工程师，擅长编写生产级代码"

2. 任务明确

• ❌ "帮我处理这个"
• ✅ "分析以下数据，输出 3 个关键洞察，每个洞察包含数据支撑"

3. 输出格式

• ❌ "输出结果"
• ✅ "以 JSON 格式输出，包含 keys: summary, insights, recommendations"

4. 添加示例

• ❌ 无示例
• ✅ "输入示例：... 期望输出：..."

5. 约束条件

• ❌ 无约束
• ✅ "不超过 500 字，使用专业术语，避免口语化"

工具函数

analyze_prompt

def analyze_prompt(prompt: str) -> dict:
    """
    提示词分析
    
    Args:
        prompt: 待分析提示词
    
    Returns:
        {
            "overall_score": 65,
            "dimensions": {
                "clarity": 70,
                "specificity": 55,
                "structure": 60,
                "examples": 40,
                "constraints": 50
            },
            "issues": [
                "缺少角色定义",
                "输出格式不明确",
                "没有示例"
            ],
            "suggestions": [
                "添加专业角色定义",
                "指定 JSON 输出格式",
                "添加 few-shot 示例"
            ]
        }
    """

optimize_prompt

def optimize_prompt(prompt: str, goal: str = "quality") -> dict:
    """
    提示词优化
    
    Args:
        prompt: 原始提示词
        goal: 优化目标 (quality|tokens|speed)
    
    Returns:
        {
            "original": {...},
            "optimized": "优化后的提示词",
            "changes": ["添加角色", "结构化", "添加示例"],
            "expected_improvement": {
                "quality": "+35%",
                "tokens": "-40%",
                "consistency": "+50%"
            }
        }
    """

run_ab_test

def run_ab_test(base_prompt: str, variants: list, iterations: int = 100) -> dict:
    """
    A/B 测试
    
    Args:
        base_prompt: 基础提示词
        variants: 变体列表
        iterations: 测试次数
    
    Returns:
        {
            "winner": "variant_2",
            "results": [
                {"variant": "base", "score": 3.8, "tokens": 500},
                {"variant": "v1", "score": 4.1, "tokens": 450},
                {"variant": "v2", "score": 4.6, "tokens": 420}
            ],
            "statistical_significance": 0.95
        }
    """

generate_variants

def generate_variants(prompt: str, count: int = 5) -> list:
    """
    生成提示词变体
    
    Args:
        prompt: 原始提示词
        count: 生成数量
    
    Returns:
        [
            {"id": "v1", "prompt": "...", "changes": ["添加角色"]},
            {"id": "v2", "prompt": "...", "changes": ["结构化"]},
            ...
        ]
    """

提示词模板库

写作类

template: blog_post
prompt: |
  # 角色
  资深内容创作者，10 年科技博客经验

  # 任务
  撰写一篇关于{主题}的博客文章

  # 要求
  - 字数：2000-2500 字
  - 结构：引言 + 3-5 个主体段落 + 结论
  - 语气：专业但易懂
  - 包含：实际案例、数据支撑、行动建议

  # 输出格式
  Markdown，包含 H2/H3标题、列表、引用块

编程类

template: code_review
prompt: |
  # 角色
  资深代码审查工程师，精通{语言}

  # 任务
  审查以下代码，输出审查报告

  # 审查维度
  1. 代码质量（命名、结构、注释）
  2. 安全性（OWASP Top 10）
  3. 性能（时间/空间复杂度）
  4. 可维护性（测试、文档）

  # 输出格式
  JSON:
  {
    "issues": [{"severity": "high|medium|low", "description": "...", "fix": "..."}],
    "score": 0-100,
    "summary": "..."
  }

分析类

template: data_analysis
prompt: |
  # 角色
  数据科学家，擅长商业洞察

  # 任务
  分析以下数据集，输出商业洞察

  # 分析框架
  1. 描述性统计（均值、中位数、分布）
  2. 趋势分析（同比、环比）
  3. 异常检测（离群值、异常模式）
  4. 商业建议（可行动洞察）

  # 输出格式
  Markdown 报告，包含图表描述、关键数字、行动建议

相关文件

• Prompt Engineering Guide
• OpenAI Best Practices
• Anthropic Prompt Design

触发词

• 自动：检测 prompt、optimize、improve、A/B testing 相关关键词
• 手动：/prompt-optimizer, /optimize-prompt, /ab-test
• 短语：优化提示词、改进 prompt、A/B 测试

Usage

1. Install the skill
2. Configure as needed
3. Run with OpenClaw