prompt

name	prompt
description	Evaluate, score, or optimize prompts based on Johari Window and 3S principles

Prompt Scoring Skill

Prompt 评分与优化工具，基于乔哈里视窗理论和 3S 原则，提供自动评分、问题诊断、优化建议和优化版本生成。

效果： ![https://gw.alicdn.com/imgextra/i4/O1CN01OllFyJ1ph8JrBWAsI_!!6000000005391-2-tps-1560-984.png]

Triggers

TRIGGER when user:

• Explicitly invokes /prompt or /prompt-scoring
• Asks about prompt quality: "这个提示词怎么样", "prompt 写得好吗"
• Requests optimization: "优化这个提示词", "改进这个 prompt"
• Provides text and asks for evaluation: "帮我看看这段 prompt"

AUTO-DETECT (ask before proceeding):

• User input exceeds 200 characters AND looks like a prompt (contains instructions, role definitions, or task descriptions)
• Ask: "检测到你输入了一段较长的提示词，是否需要我进行评分和优化？"

WHEN INVOKED VIA /prompt COMMAND:

• Treat ALL remaining input as the prompt to optimize
• No need to say "优化" explicitly

Invocation Modes

Command Mode (/prompt <content>)

IMPORTANT: When invoked via /prompt command, the ENTIRE content after /prompt is treated as the prompt to optimize. No need to add "优化" or "评分" keywords.

Input	Behavior
/prompt 写一个冒泡排序	Score and optimize "写一个冒泡排序"
/prompt 你是一个专业的翻译，请帮我翻译以下内容	Score and optimize the entire prompt
/prompt As a senior developer, review my code	Score and optimize the English prompt

Natural Language Mode

When triggered by implicit keywords in conversation, extract the prompt content from user message.

Input	Extracted Prompt
"帮我优化一下这个提示词：写一个冒泡排序"	"写一个冒泡排序"
"这个 prompt 写得怎么样：你是 AI 助手"	"你是 AI 助手"

Workflow

Step 0: Auto-Detect Mode (Implicit Trigger)

Detection Criteria:

• Input length > 200 characters
• AND looks like a prompt (contains any of these patterns):
  • Role definition: "你是", "你是一个", "As a", "You are"
  • Task instruction: "请", "帮我", "请帮我", "Please", "Help me"
  • Constraint keywords: "要求", "必须", "注意", "Requirements", "Must"
  • Format specification: "输出格式", "返回", "Output format"

Behavior: Ask user before proceeding

检测到你输入了一段较长的提示词，是否需要我进行评分和优化？

[提示词预览]: {前50字}...

• User confirms "是/好/可以" → Proceed to scoring
• User declines "否/不用" → Treat as normal conversation

Step 1: Determine Mode

Input received
├── Starts with "/prompt " → Command Mode
│   └── Extract: everything after "/prompt "
├── Auto-Detect triggered → Auto-Detect Mode (ask first)
│   └── Extract: entire input if user confirms
└── Natural language keywords → Natural Language Mode
    └── Extract: prompt content from message

Step 2-7: Analysis Pipeline

2. Extract Prompt → Get the prompt content to analyze
3. Analyze Prompt → Determine quadrant, 3S compliance, scene type
4. Select Weights → Choose scoring weights based on quadrant and scene
5. Calculate Score → Compute total score (1-10) based on dimensions
6. Diagnose Issues → Identify Critical/High/Medium/Low problems
7. Generate Optimized Version → Create improved prompt

Core Theory

Johari Window (乔哈里视窗四象限)

                    AI Knows                AI Doesn't Know
User Knows      第一象限(公共知识)        第四象限(独有知识) ⚠️
User Doesn't    第二象限(AI专业知识)      第三象限(探索创新)
Know

Critical: 第四象限识别

检测标识 (有则可能是第四象限):

• 包含"我们团队"、"我们公司"、"本项目"等限定词
• 包含内部系统名称、团队黑话/缩写
• 包含新定义概念，且无示例、无定义

处理规则:

• 如果是第四象限但未使用"喂模式"(举例法/定义字典/RAG): 总分 ≤ 2.0/10 (Critical 级别)
• 正确使用喂模式: 可提升至 7.0-8.5/10

3S Principles

Principle	Meaning	Detection
Single	单任务聚焦	检测"和"、"并"、"以及"等连接词，多个动词短语
Specific	明确详细	有格式+范围+示例: 9-10分; 有格式有范围: 7-8分; 无格式无范围: 2-6分
Short	简洁扼要	无冗余、高信息密度: 9-10分; 冗余修饰、低密度: 4-6分

Scoring System

Scene Detection

Scene	Conditions	Weight Distribution
简单任务	字数<100, 单目标, 无复杂结构	目标明确性 40% + 3S原则 30% + 基础清晰度 30%
复杂专业	Role-Based, 工作流, 约束	基础评分 50% + 深度评分 50%
第四象限	独有知识, 企业术语, 新概念	目标明确性 20% + 示例/术语完整性 80%
学习任务	学习、理解、解释关键词	目标明确性 30% + 3S原则 30% + 表达清晰度 40%

Scoring Dimensions

基础评分 (所有 Prompt)

1. 目标明确性 (40%): 目标清晰? 有成功标准? 范围明确?
2. 3S 原则 (30%): Single/Specific/Short
3. 基础清晰度 (30%): 语言表达清晰? 逻辑结构合理?

深度评分 (条件触发)

触发条件: 复杂专业任务 OR 第四象限 OR 包含 Role-Based 结构 OR 字数 > 200

4. 约束完整性 (25%): 约束必要/可验证/无冲突
5. 技能匹配度 (25%): Role/Skills 匹配任务
6. 工作流清晰度 (25%): 步骤逻辑清晰/可重复执行
7. 示例/术语完整性 (25%): 示例完整/术语有定义

Problem Diagnosis

Critical Level (必须修复)

#	Problem Type	Detection	Impact
1	第四象限未使用喂模式	第四象限但无示例/定义	AI无法理解独有知识
2	多目标混杂	Single原则违背，多个目标	AI无法确定主要目标
3	完全缺少成功标准	无输出要求、无验证标准	无法判断是否完成

High Level (强烈建议修复)

#	Problem Type	Detection
4	约束互相冲突	约束之间互相矛盾
5	技能与任务不匹配	Role/Skills 与任务无关
6	示例不完整	第四象限示例缺少输入/输出/模式

Medium Level (建议优化)

#	Problem Type	Detection
7	过度设计(第一象限)	第一象限使用复杂 Role-Based 结构
8	缺少部分成功标准	有成功标准但不完整
9	约束不够具体	约束模糊无法验证

Low Level (可选优化)

#	Problem Type
10	格式不规范
11	表达不够简洁

Optimization Strategies

Strategy Selection

Condition	Strategy	Method
问题少(≤3), 无Critical	保留式优化	保留原有结构风格，只修改问题部分
问题多(>3), 有Critical	重构式优化	重新设计结构，应用合适模板
完全不匹配最佳实践	模板化优化	推荐最合适模板，基于模板重新构建

Output Format

Standard Report Structure

## Prompt 评分报告

### 基本信息
- **象限**: [第一/二/三/四象限]
- **场景**: [简单/复杂/第四象限/学习任务]
- **总分**: X/10

### 各维度得分
1. **目标明确性**: X/10 - [简要说明]
2. **3S 原则**: X/10
   - Single: X/10
   - Specific: X/10
   - Short: X/10
3. **基础清晰度**: X/10

### 问题诊断
[按严重性排序：Critical > High > Medium > Low]

#### [问题 1]
- **等级**: Critical
- **类型**: [问题类型]
- **描述**: [问题详细说明]

### 优化建议
- **针对问题**: [问题 X]
- **优化方向**: [具体建议]
- **预期改进**: 评分提升 X/10 → X/10

### 优化版本
[基于优化建议生成的完整 Prompt]

Examples

Example 1: Command Mode

Input: /prompt 写一个冒泡排序

Mode: Command Mode - entire input "写一个冒泡排序" is the prompt to optimize

Analysis:

• 象限: 第一象限
• 场景: 简单任务
• 3S: Single(10/10), Specific(7/10), Short(9/10)

Score: 7.9/10

Issues: Medium - 缺少性能要求

Optimized:

用 Python 实现快速排序算法：
- 输入：整数列表
- 输出：升序排列的列表
- 要求：时间复杂度 O(n log n)，空间复杂度 O(log n)

Example 2: Natural Language Mode

Input: "帮我优化这个提示词：审查我们公司的 XYZ 系统代码，确保遵循 YYY 规范"

Mode: Natural Language Mode - extract "审查我们公司的 XYZ 系统代码，确保遵循 YYY 规范"

Analysis:

• 象限: 第四象限 (人知 AI 不知)
• 问题: 未使用喂模式

Score: 2.0/10 (Critical)

Optimized (8.5/10):

审查我们公司的 XYZ 系统代码，确保遵循 YYY 规范。

**定义**:
- XYZ 系统：我们内部的微服务框架，基于 Spring Boot
- YYY 规范：内部代码规范，要求类名用 PascalCase，方法名用 camelCase

**示例**:
❌ 不符合规范:
public class user_service { }

✅ 符合规范:
public class UserService { }

Quick Reference

Quadrant Decision Tree

包含限定词("我们公司/团队")?
├─ 是 → 第四象限 (需要喂模式)
└─ 否 → 开放提问?
         ├─ 是 → 第二象限
         └─ 否 → 探索创新?
                  ├─ 是 → 第三象限
                  └─ 否 → 第一象限

Score Interpretation

Score	Quality	Action
9-10	优秀	可直接使用
7-8.9	良好	建议小优化
5-6.9	一般	建议优化
3-4.9	较差	需要重构
1-2.9	严重问题	必须重写

Best Practices

1. 第四象限必须用喂模式: 举例法、定义字典、RAG 技术
2. 遵循 3S 原则: Single(单任务) + Specific(明确详细) + Short(简洁)
3. 第一象限避免过度设计: 公共知识直接描述，无需复杂 Role-Based
4. 明确成功标准: 定义输出格式和验证标准
5. 约束要可验证: 避免模糊的约束条件

Limitations

• 中文优化为主，英文 Prompt 评分可能有偏差
• 主观性评分，仅供参考
• 需要结合具体场景判断