prompt-optimizer

name	prompt-optimizer
description	Systematically optimize user-provided prompts with formal verification at every stage: quantitative 12-dimension scoring (0-5 scale), anti-pattern detection, cross-dimension dependency mapping, formal optimization primitives with pre/post-conditions, counterfactual reasoning, conflict resolution protocol, and regression verification (re-analyze optimized output through the same framework). Each optimization is grounded in explicit logical inference with measurable quality metrics — never arbitrary modification. Supports 12+ domain-specific strategies with composable optimization operations. Triggered by: "优化提示词", "优化prompt", "提示词优化", "prompt优化", "rewrite prompt", "improve prompt", "改进提示词", "prompt改写", "逻辑推断优化", "精准提示词", "领域优化", "优化指令", "prompt engineering", "提示词工程".
version	3.0.0

Prompt Optimizer

Purpose

根据用户提供的理论方向（提示词的用途领域/场景）和原始提示词，运用系统的分析框架和提示词工程最佳实践进行优化。每项优化必须有明确的逻辑依据，禁止无据脑补或扭曲原意。优化后的提示词直接返回给用户，附带逐条优化说明（含推理链）。

When to Use

• 用户要求"优化提示词"、"改进prompt"、"重写提示词"、"优化指令"、"提升提示词质量"
• 用户提供了一个提示词，希望提升其质量和效果，且拥有明确的领域/场景上下文
• 用户有明确的领域/场景（如数学解题、代码生成、创意写作、数据分析、角色扮演、客服对话等），需要该领域针对性的提示词优化方案
• 用户希望了解提示词工程最佳实践并应用到自己的提示词编写中
• 用户提供了较为粗糙的初版提示词，需要系统性地分析其缺陷并给出可操作的改进

When NOT to Use

• 用户没有提供原始提示词 —— 必须先要求用户提供，不能凭空生成优化方案
• 用户只要求翻译提示词（不涉及优化） —— 应使用翻译工具而非优化
• 用户要求生成全新的提示词而非优化已有的 —— 这是"生成"行为，超出了优化的范畴
• 用户需求过于模糊，无法确定理论方向和优化目标 —— 应先引导用户明确需求

Workflow / Steps

Step 0: 输入验证与预处理（Input Validation）

在进入解析和分析之前，先对用户输入进行形式化验证。此步骤确保后续所有分析建立在合法、可处理的输入之上，避免"垃圾进垃圾出"。

0a. 输入完整性检查

检查项	判定标准	不通过时的处理
非空检查	用户消息去除首尾空白后非空	提示用户提供输入
最小长度检查	至少包含 10 个有效字符（排除纯符号/表情）	提示用户提供更完整的输入
语言识别	自动检测输入语言（中文/英文/混合），用于后续风格匹配	标注检测结果，Step 3 策略选择时参考
提示词类型检测	判断是 system prompt 还是 user prompt（system prompt 包含角色/规则描述，user prompt 是单次指令）	标注类型，影响 Step 3 处理策略

0b. 输入结构识别

对用户输入进行结构分析，识别以下模式：

结构模式	识别特征	标记
单段式	仅一段文字，无明确分隔	structure: monolithic
显式分段	使用分隔符（`	、---、：理论方向、原始提示词：`等）明确分隔理论方向和原始提示词
隐式混合	理论方向与原始提示词混在同一段落中，需推断	structure: implicit-mixed
多轮对话	包含对话历史或多轮指令（如"上一次你说…现在请…"）	structure: multi-turn
带参数模板	包含占位符（如 [name]、{date}）	structure: parameterized

对每种结构模式采用不同的解析策略：

• explicit-segmented → 直接提取，高置信度
• implicit-mixed → 推断提取，标记推断依据
• multi-turn → 仅优化最后一轮指令，保留对话上下文
• parameterized → 保留所有占位符不变，仅优化非参数部分

0c. 输入质量预检

在进入深度分析前，进行快速预检，标记明显的质量问题：

预检项	检查方法	发现时的标记
空提示词	提取到的原始提示词部分是否为空或仅含标点	precheck: empty-prompt → 要求用户提供
超长提示词	原始提示词是否超过 2000 tokens（约 1500 英文词或 3000 中文字）	precheck: overlong → Step 2 重点关注冗余分析和精简约简
全大写/咆哮体	超过 70% 的字符为大写字母或无标点长句	precheck: shouting → Step 4 中调整为正常语气
矛盾指令	同一提示词内存在相互矛盾的指令（如"详细分析"+"一句话总结"）	precheck: contradictory → Step 2 维度关联分析重点标记
多语言混杂	一条指令中无规律切换 2+ 种语言	precheck: code-switched → Step 4 统一为单一主语言
无动词指令	整段不含任何动作指向（如仅有关键词堆砌）	precheck: no-verb → Step 2 任务明确性维度标记 P0

0d. 验证输出

Step 0 完成后，生成一份内部验证摘要（不输出给用户）：

[Step 0 验证摘要]
- 完整性：通过
- 结构模式：explicit-segmented
- 语言：中文（简体）
- 提示词类型：user prompt
- 预检结果：overlong, contradictory
- 后续影响：Step 2 重点关注冗余+矛盾，Step 4 关注精简+消解

此摘要作为 Step 1-Step 4 的约束参数传递，确保后续步骤根据预检结果调整行为。

Step 1: 解析与结构化输入

从用户消息中提取两个关键部分，并处理边界情况：

A. 提取理论方向（Domain）：

• 识别用户描述的领域/场景关键词，如"物理学概念解答"、"Python 代码审查"、"创意故事写作"、"数据分析报告"、"客服对话"、"角色扮演"
• 如果用户只笼统描述了场景（如"帮我优化这个提示词"），主动询问具体用途领域
• 如果理论方向中包含多个子领域（如"用 Python 做数据分析并生成报告"），分解为复合类型供 Step 3 选择策略时参考

B. 提取原始提示词（Original Prompt）：

• 从消息中识别出需要优化的提示词原文
• 如果原始提示词包含多个指令或子任务，标记其结构层次以便后续分析

C. 边界情况处理：

情况	处理方式
只提供了理论方向，未提供原始提示词	明确要求用户提供原始提示词，说明没有后者无法执行优化
只提供了原始提示词，未提供理论方向	根据提示词内容推断可能的理论方向，在输出时标注推断依据并请用户确认
两者的界限不清晰	以合理推断进行划分，在输出时向用户说明划分逻辑并请用户确认
输入为空或过于模糊（如"帮我优化一下"）	说明需要理论方向和原始提示词两部分，引导用户补充完整

Step 2: 系统性分析原始提示词

对原始提示词进行多维度系统分析。每项分析结论必须有可引用的文本依据（即从原始提示词中引用具体词句作为分析证据），禁止仅凭主观感受下判断。

分析维度框架（12 维度）：

#	维度	分析子项	判断依据示例
1	角色设定	①是否指定了 AI 的角色/身份？②角色是否与任务匹配？③角色描述是否过于空泛？	包含"你是一位…"类表述 → 有角色设定；仅"请帮我…" → 无角色设定
2	任务明确性	①任务目标是否单一且无歧义？②是否有可衡量的成功标准？③是否将多个子任务混在一起？	"分析数据并写报告" → 复合任务需拆分；"帮我看看这个" → 目标模糊
3	上下文完整性	①是否提供了任务所需的全部背景信息？②是否假设了 AI 知道某些未提供的信息？③是否有隐含的前提假设需要显式化？	引用"这个项目"但未定义项目背景 → 上下文缺失
4	输出格式规范	①是否指定了输出格式（JSON/Markdown/表格/列表/段落）？②是否指定了输出长度或粒度？③如果有格式要求，是否清晰到可直接解析？	"列出来" → 未指定格式；"输出 JSON 格式，包含 name 和 count 字段" → 格式明确
5	约束条件完备性	①是否设定了必要的边界限制（如不能做什么、必须在什么范围内）？②是否遗漏了对输出质量的底线要求？③负面约束（禁止什么）和正面约束（应该怎样）是否平衡？	无任何限制词 → 约束缺失；"不要超过 200 字" → 有长度约束
6	示例与引导	①对于格式/风格敏感的任务，是否提供了示例？②对于复杂任务，是否有输入/输出对作为参考？③示例是否具有代表性且无歧义？	"像这样：输入X→输出Y" → 有示例；只有抽象描述 → 无示例
7	推理引导	①对于推理类任务，是否引导了逐步思考？②是否需要添加 chain-of-thought 或分步指令？③是否需要引导多角度分析？	"请逐步分析" → 有推理引导；"回答这个问题" → 无推理引导
8	语言与表达	①语言风格是否与使用场景匹配？②是否有歧义表达或模糊措辞？③指令是否以动词开头，简洁明确？	"你可以考虑…" → 语气偏弱；"请生成…" → 语气明确
9	输入数据处理	①输入数据的格式和范围是否已说明？②数据量或参数边界是否明确？③是否有对异常输入的防御要求？	"传入一个列表" → 未说明元素类型；"传入正整数 n" → 输入明确
10	前置知识与假设	①是否假设 AI 具备特定的领域知识？②需要引用的外部知识是否已提供或可访问？③专业术语是否已定义？	使用"API endpoint"未解释 → 假设技术背景；定义术语 → 友好
11	安全与伦理边界	①提示词是否可能引导生成不安全/不适当的内容？②是否需要添加安全护栏？③是否涉及个人信息或敏感数据？	"如何破解…" → 需安全拦截；涉及客户信息 → 需脱敏说明
12	可迭代性	①输出是否便于进一步迭代优化？②是否有后续追问的空间或指引？③输出的结构是否支持自动化后处理？	结尾无追问指引 → 迭代性弱；"如果还需要调整请告诉我" → 有迭代空间

分析方法论：

2a. 逐句标注与缺陷定位

1. 逐句标注：对原始提示词的每个句子/短语，标注其在上述维度中的归属类别
2. 缺陷定位：对每个标注的片段，判断该片段是否存在改进空间，并引用原文作为证据

2b. 定量评分（0-5 量表）

对每个维度，基于原文证据给出 0-5 分的定量评分。每个分数必须有文本依据，不得凭感觉打分。

通用评分量表：

分数	含义	通用标准
0	严重缺陷	该维度相关要素完全缺失，且缺失将导致输出不可用
1	明显不足	有少量要素但严重不完整，无法支撑任务需求
2	较弱	有基本要素但存在明显缺口或表达模糊
3	可接受	要素基本齐全，但存在可改进空间（粒度、精确度不足）
4	良好	要素齐全且表达清晰，仅需微调即可达到最佳
5	优秀	该维度无需任何修改，已达到理论最优

各维度具体评分锚点：

维度	0 分锚点	3 分锚点	5 分锚点
1 角色设定	无任何角色描述	"你是专家"（有角色但泛化）	"你是拥有 10 年经验的前端架构师，精通 React 和 TypeScript"（领域+经验+技能明确）
2 任务明确性	无动作指向或完全歧义	有单一清晰任务但无可衡量标准	任务明确、子任务拆分清晰、有可验证的成功标准
3 上下文完整性	无任何背景信息	提供了基本背景但缺少关键细节	背景、范围、限制、假设全部显式化
4 输出格式	完全未指定格式	指定了格式类型但细节不足（如"用表格"）	格式类型+字段定义+示例+边界（如"JSON，包含 name:string 和 age:number"）
5 约束条件	无任何限制	有基本约束但覆盖率不足	长度+范围+风格+质量+安全约束完备且精确
6 示例引导	无任何示例	有 1 个示例但不够典型	2-3 个覆盖边界情况的典型示例
7 推理引导	无语推理引导	有"逐步思考"但无具体框架	推理框架明确（分步指令+每步依据要求+中间输出格式）
8 语言表达	严重歧义或错乱	表达清晰但存在弱语气或少量歧义	动词开头的祈使句、无歧义、术语统一、风格匹配场景
9 输入数据处理	未定义输入	定义了输入类型但无边界说明	输入类型+格式+边界值+异常处理要求
10 前置知识	大量未定义术语	术语使用正确但未给定义	术语首次出现时定义、外部引用提供来源
11 安全伦理	缺乏安全防护且任务有风险	有基本防护但覆盖不全	内容过滤+伦理边界+隐私保护+合规说明完备
12 可迭代性	无迭代空间设计	输出结构可二次处理但无指引	结构化输出+追问机制+版本标注+迭代建议

评分输出格式（内部使用，不出现在用户输出中）：

[维度评分]
| 维度 | 分数 | 关键证据 |
|------|------|---------|
| 1 角色设定 | 0 | 原文全文无角色相关词汇 |
| 2 任务明确性 | 3 | "帮我写一个客服回复" — 目标明确但缺成功标准 |
| 3 上下文完整性 | 1 | 未说明客户问题类型、产品信息、公司政策等 |
| ... | ... | ... |
| 总分 | 24/60 | 平均 2.0 — 存在显著优化空间 |

2c. 反模式检测（Anti-Pattern Detection）

对原始提示词进行结构化和语义层面的反模式扫描。反模式是经过验证会导致输出质量下降的常见提示词写法。每个检测到的反模式自动标记为对应等级的缺陷。

反模式目录：

#	反模式名称	检测规则	严重等级	对应的维度	修复方向
AP1	万能提示词	单条指令包含 3+ 个不相关的子任务	P1	维度2	拆分为多条独立提示词
AP2	假客气	包含"请""麻烦""能否""如果可以的话"等过度礼貌用语 3+ 次	P2	维度8	简化为直接祈使句
AP3	信息过载	单句超过 80 词或整段超过 500 词无分段	P1	维度2/4	拆分句子，添加结构化格式
AP4	假设知识	使用"显然""众所周知""不言而喻"等跳过解释	P1	维度10	显式化假设或提供定义
AP5	冲突约束	同时要求"详细"和"简短"，或"创新"和"遵循模板"	P0	维度5	消解矛盾或明确优先级
AP6	幽灵输出	要求生成模型不可能做到的事情（如"保证 100% 准确""获取实时数据"但未提供工具）	P0	维度2/11	替换为可行的表述或说明限制
AP7	提示词注入漏洞	原始提示词中包含未转义的用户输入占位符或直接拼接外部内容	P0	维度11	添加输入转义和边界标记
AP8	隐式偏见	使用带有文化/性别/年龄偏见的假设（如"程序员=男性"）	P1	维度11	中性化表述
AP9	过度具体	给模型指定了不可能知道的内部细节（如"使用第 3 层的第 5 个神经元"）	P1	维度10	替换为模型可理解的抽象描述
AP10	格式幻觉	要求输出格式但该格式与任务本质不兼容（如要求"情感分析结果用 JSON 数组，包含角度制和弧度制"）	P1	维度4	校验格式与任务匹配度
AP11	雪崩式追问	在一条提示词中连续抛出 5+ 个问题，且后面的问题依赖前面未确定的答案	P0	维度2	拆分为多轮对话
AP12	默认值陷阱	未指定参数时依赖模型的默认行为，但默认行为可能在不同版本间变化	P2	维度5/9	显式指定期望行为
AP13	token 陷阱	要求输出极短（如"5 字以内"）但任务本身需要详细解答	P0	维度5	调整约束使任务可完成
AP14	角色混淆	在 system prompt 和 user prompt 中分别指定了不同角色/规则	P0	维度1	统一角色定义

检测流程：

1. 对每个反模式，逐一扫描原始提示词文本
2. 命中的反模式记录其：名称、命中位置（原文引用）、严重等级、关联维度
3. 将反模式检测结果合并到维度分析中：如果某维度已通过常规分析发现缺陷，反模式命中作为额外证据；如果某维度常规分析未见缺陷但反模式命中，补充该缺陷

2d. 跨维度依赖分析（Cross-Dimension Dependency Mapping）

提示词的 12 个维度并非独立——某些维度的缺陷会级联影响其他维度，某些优化操作会产生连锁反应。在分析阶段识别这些依赖关系，可避免优化后引入新问题。

依赖矩阵（D = 直接影响，I = 间接影响）：

        影响→
被影响↓   D1  D2  D3  D4  D5  D6  D7  D8  D9  D10 D11 D12
D1 角色   -   D   I   I   I   -   I   D   -   -   -   -
D2 任务   D   -   D   D   D   D   D   D   D   D   I   D
D3 上下文  I   D   -   D   D   -   I   -   D   D   -   -
D4 格式   -   I   I   -   D   D   -   I   -   -   -   D
D5 约束   I   D   I   D   -   I   I   I   D   -   D   I
D6 示例   -   D   I   D   I   -   I   D   I   -   -   -
D7 推理   -   D   -   I   -   -   -   -   -   -   -   -
D8 表达   I   D   I   I   I   D   I   -   -   I   -   -
D9 输入   -   D   D   D   D   D   -   -   -   -   -   -
D10 知识  I   D   D   -   -   -   -   D   -   -   -   -
D11 安全  I   I   -   -   D   -   -   I   -   -   -   -
D12 迭代  -   I   -   D   -   -   -   -   -   -   -   -

使用规则：

• 如果维度 X 存在 P0/P1 缺陷，检查其影响的所有维度（行方向），标记为"关注维度"
• 如果维度 X 将要被优化，检查哪些维度会影响 X（列方向），确保上游维度的优化不会破坏 X 的效果
• 例：维度2（任务明确性）存在 P0 缺陷 → 行方向影响 D3/D4/D5/D6/D7/D8/D9/D12，这些维度即使当前评分正常，也要在回归验证中重点检查

2e. 优先级排序

将发现的缺陷按影响程度 × 依赖广度分为三个等级：

• P0 — 阻塞性缺陷：必改问题（如任务目标缺失、关键上下文缺失、格式要求完全未定义、AP 检测命中 P0 级反模式）
• P1 — 重要优化点：建议修改（如角色设定可更精准、约束可更完善）
• P2 — 锦上添花：可选优化（如示例可更丰富、表达可更精炼）

同一维度内不同缺陷可以有不同等级。如果某维度总分 ≤ 2，该维度下所有缺陷自动提升一级（P2→P1, P1→P0）。

分析输出：

将分析结果整理为结构化清单，包含：

## 分析结果

### 已确认的优化点
- P0：[维度] 引用原文 → 问题描述 → 优化方向
- P1：[维度] 引用原文 → 问题描述 → 优化方向
- ...

### 已确认的保留项
- [维度] 引用原文 → 该部分已完善，无需修改
- ...

### 维度覆盖总结
- 已覆盖的维度：[列出已检查的维度编号]
- 缺失但不需要的维度：[如"角色设定不适用于纯工具类提示词，跳过"]

这份分析结果不会直接输出给用户，而是作为 Step 3 和 Step 4 的内部决策依据。在 Step 6 输出时，从中提取最重要的优化点写入优化说明。

Step 3: 根据理论方向与维度分析结果选择优化策略

基于 Step 1 提取的理论方向和 Step 2 的分析结果，选择针对性的优化策略。策略选择必须有双重依据：理论方向决定了"方向性策略"，Step 2 的维度缺陷分析决定了"针对性策略"。

A. 方向性策略（基于理论方向）：

理论方向类型	核心优化目标	推荐技术组合	必须包含的要素	应避免的误区
通用对话/客服	角色一致性 + 语气温度 + 边界安全	角色设定 + 输出格式约束 + 兜底回复规则	角色身份、语气要求、知识范围、不可回答场景的兜底回复	过于刻板失去温度；过度承诺做不到的事
学术/教育/解题	分步推理 + 概念精确 + 难度渐进	角色设定 + CoT + 示例引导 + 输出结构约束	分步推理指令、关键概念定义、示例说明（含常见错误）、难度递进	一步到位跳过中间推理；假设学生已有背景知识
代码/技术开发	精确性 + 可执行性 + 安全性	角色设定 + 输出格式约束 + 约束条件 + 示例	技术栈说明、输入/输出约束、错误处理要求、性能考量、安全注意事项	忽略边界条件；给出不可运行的伪代码；遗漏依赖说明
创意/写作	风格匹配 + 结构清晰 + 约束适度	角色设定 + 示例 + 输出结构 + 语言风格控制	受众定位、风格样例（或风格描述）、内容结构框架、创意自由度说明	过度约束扼杀创意；结构过于死板
数据分析/报告	结构化输出 + 方法论透明 + 结论可验证	角色设定 + CoT + 输出格式 + 约束条件	数据描述（含字段说明）、分析方法论要求、假设说明、结论提炼框架、可视化建议	忽略数据来源局限性；结论过度泛化；未说明不确定性
决策/分析	多角度权衡 + 证据分级 + 不确定性说明	角色设定 + CoT/ToT + 输出格式约束	分析框架（如SWOT/成本收益/多标准决策）、证据来源与可信度分级、利弊权衡方法论、不确定性声明	单一视角分析；忽略反面证据；确定性表述过强
角色扮演/模拟	角色深度 + 交互规则 + 记忆一致性	角色设定 + 语言风格 + 约束条件 + 上下文控制	角色背景（人格/知识/经历）、交互规则（何时说话/何时倾听）、行为边界、对话风格说明	角色行为不一致；超出角色知识范围回答
代码审查/质量评估	标准化 + 多维度 + 严重程度分级	角色设定 + 输出格式 + 约束条件 + 示例	审查维度（正确性/性能/安全/可读性/可维护性）、严重程度分级标准、每个问题的改进建议格式	只有批评没有改进建议；不同维度标准混为一谈
知识问答/信息检索	来源可靠 + 置信度透明 + 长尾处理	角色设定 + 约束条件 + 输出格式	知识范围边界、信息时效性要求、置信度声明机制、不确定时的处理策略	超出知识范围编造答案；未标注信息时效性
指令执行/自动化	精确理解 + 容错 + 反馈机制	角色设定 + CoT + 约束条件 + 输出格式	指令解析步骤、参数验证规则、执行确认机制、错误处理和回滚策略、结果确认格式	忽略参数边界检查；无执行确认步骤；错误处理缺失
头脑风暴/创意发散	广度的量 + 深度的质 + 可操作性	角色设定 + 约束条件 + 输出格式	发散方向指引、数量要求（如"至少 10 个"）、收敛筛选标准、可操作性评估	只有数量没有质量；缺乏评估筛选标准
摘要/提炼/改写	信息保真 + 长度精确 + 风格匹配	角色设定 + 输出格式 + 约束条件 + 示例	信息来源范围、忠实度要求（禁止添加/忽略）、目标长度、目标风格/受众、关键信息保留清单	添加原文没有的信息；遗漏关键信息；风格偏离目标要求

B. 针对性策略（基于 Step 2 维度分析结果）：

对于 Step 2 中识别的每个 P0/P1 缺陷点，选择对应的优化操作：

Step 2 分析发现	对应的优化操作	操作的逻辑依据
角色设定缺失（维度1）	添加与领域匹配的角色描述	角色设定能引导模型调用对应的专业知识库，提升输出质量
任务目标模糊（维度2）	分解为具体子任务，补充"5W1H"要素	模糊指令导致输出发散，具体化后输出方差显著降低
上下文信息缺失（维度3）	识别缺失的上下文类型，提示用户补充或提供合理默认值	上下文不足时模型会自行猜测，可能导致输出与预期偏离
输出格式未定义（维度4）	根据任务类型推荐最合适的输出结构	无格式约束时输出结构随机，降低可用性和自动化处理能力
约束条件缺失（维度5）	追加必要的边界限制和护栏	无约束时输出可能偏离目标范围或包含不适当内容
复杂任务无示例（维度6）	补充 1-3 个典型示例作为格式/风格参考	示例引导比抽象描述更有效地校准输出格式和风格
推理任务无分步引导（维度7）	加入 chain-of-thought 或分步指令	CoT 在推理任务上可提升 40-80% 的准确率（来源：NextAgile.ai 2026 Enterprise Guide）
语言风格不匹配（维度8）	调整措辞以匹配场景需求	语言风格影响输出的语境适配度，专业场景需正式术语，创意场景需灵活表达
输入数据未说明（维度9）	补充数据格式、范围和边界定义	数据描述不完整导致模型错误处理输入或忽略边界情况
术语未定义（维度10）	添加术语表或在首次使用时给出定义	专业术语未定义可能导致理解偏差，尤其是跨领域使用时
安全护栏缺失（维度11）	添加内容过滤规则和伦理边界约束	安全约束缺乏可能导致不当内容生成

策略组合规则（基础）：

• 每个优化操作必须同时标注其依据的来源（来自方向性策略 OR 针对性策略 OR 两者），确保用户理解每项改动的逻辑链条
• 如果 Step 2 分析发现原始提示词在某维度已完善，该维度不可强加修改

C. 冲突检测与解决协议（Conflict Resolution Protocol）

当方向性策略（A）与针对性策略（B）之间、或不同针对性策略之间出现冲突时，按以下协议消解：

冲突类型与解决规则：

冲突类型	示例	解决规则	解决依据
方向 (A) vs 针对性 (B)	A 要求"创意写作应保留自由度" vs B 发现维度4 P0 需加输出结构	B 优先，但采用最松版本：用引导性而非强制性格式（如"建议按…结构"而非"必须按…结构"）	B 基于原文证据，A 为领域通用；但 B 的执行力度应让步于 A 的方向性原则
B vs B（同维度内部）	维度4 要求"用 JSON 输出"vs 维度8 语言检测为"学术中文"→JSON 的 key 应该用中文还是英文？	下游优先：以对用户最友好的选择为准（中文用户 → key 用中文；英文用户 → key 用英文）	以最终使用者为中心的决策原则
B vs B（跨维度矛盾）	维度5 要求"+长度限制"vs 维度2 任务需要"详细说明"	显式约束优先：如果用户明确写了"详细"，则不加强制性长度限制；如果未明确，添加"建议不超过 X 字"	保留用户显式意图，在不冲突范围内追加约束
P0 vs P0 互斥	AP5（冲突约束）检测到同时要求"详细"和"简短"	询问用户（唯一需要中断流程的冲突）：标注冲突，向用户确认优先级	两个 P0 互斥时无法自动消除，需外部决策
优化 A vs 优化 B（操作层面）	添加"角色设定"可能引入新术语 → 维度10 评分可能下降	预判+回填：先执行 A，再对 B 做补偿优化。如添加"专家角色"时同时定义角色涉及的术语	级联效应通过 2d 依赖矩阵预判

冲突消解流程：

1. 列出所有计划执行的优化操作（Ops = [op1, op2, ..., opN]）
2. 对每对操作 (op_i, op_j)，检查是否存在冲突（互斥、矛盾、上下游不一致）
3. 对每个冲突，按上表规则消解，记录消解日志
4. 如果冲突需要用户决策（P0 vs P0 互斥），暂停优化流程，向用户展示冲突并请求决策
5. 消解后重新排列操作执行顺序：上游操作先执行，有补偿关系的操作配对执行

冲突日志格式（内部使用）：

[冲突消解日志]
冲突 1：方向(A=创意写作:保留自由度) vs 针对性(B=维度4 P0:加输出结构)
→ 消解："建议按[结构]组织，但可根据创意需要灵活调整"
冲突 2：无更多冲突
最终操作顺序：op_role → op_task → op_format → op_constraint → op_example → op_language

Step 4: 执行优化（基于逻辑推断的精确改写）

综合 Step 2 的分析结果和 Step 3 的策略，对原始提示词进行逐项优化。每项修改必须有明确的逻辑推理链，格式为：

问题[原文引用] → 分析[Step 2 维度分析结论] → 策略[Step 3 选择的策略] → 优化[具体的修改内容]

4a. 优化操作形式化定义

每个优化操作（Optimization Primitive）必须包含以下结构化信息，确保操作可验证、可回退：

操作原语结构：

操作 #N: [操作类型]
- 前置条件 (PRE)：执行此操作前必须满足的条件
- 原文位置：原始提示词中的目标文本片段
- 操作内容：具体的文本级修改（替换/插入/追加/删除）
- 后置条件 (POST)：执行后应达到的状态
- 验证方法：如何检验后置条件是否满足
- 反事实推理：如果不执行此操作，优化后提示词会在哪些方面表现不佳
- 副作用分析：此操作可能对其他维度产生的影响（参考 2d 依赖矩阵）
- 回退方案：如果此操作引入新问题，如何撤销或修正

操作类型目录：

操作类型	操作描述	典型 PRE 条件	典型 POST 条件
add-role	在开头插入角色描述	维度1评分≤2	维度1评分≥3，角色与任务匹配
refine-task	细化任务描述（拆分/具体化动词/添加成功标准）	维度2评分≤3	维度2评分≥4，每个子任务有明确产出
add-context	补充背景信息或显式化隐含假设	维度3评分≤2	维度3评分≥3，无不明确的外部引用
specify-format	将笼统格式转换为精确规范	维度4评分≤2	维度4评分≥3，输出结构可机械解析
add-constraint	追加边界/风格/安全约束	维度5评分≤3	维度5评分≥3，约束列表覆盖所有必要类别
add-example	补充输入/输出示例对	维度6评分≤2	维度6评分≥3，示例覆盖典型+边界情况
add-cot	插入 chain-of-thought 推理引导	维度7评分≤2 且任务为推理型	维度7评分≥3，推理步骤明确
refine-language	调整措辞/语气/术语统一	维度8评分≤3	维度8评分≥3，无歧义、术语统一
specify-input	明确输入数据格式和边界	维度9评分≤2	维度9评分≥3，输入描述完整
define-terms	添加术语定义或外部知识引用	维度10评分≤2	维度10评分≥3，所有专业术语首次出现有定义
add-guardrail	添加安全护栏和伦理约束	维度11评分≤2	维度11评分≥3，覆盖安全/伦理/合规
add-iteration-hook	添加迭代追问机制	维度12评分≤2	维度12评分≥3，输出结构支持二次处理
fix-anti-pattern	修正检测到的反模式（AP1-AP14）	对应 AP 命中	AP 标记移除，关联维度评分恢复
restructure	重新组织提示词结构（段落顺序/格式）	存在结构性问题（AP3/AP11命中或评分≤2）	结构清晰、逻辑顺序合理

4b. 反事实推理（Counterfactual Reasoning）

每项优化操作必须附带反事实分析——如果跳过此优化，优化后的提示词会出现什么具体问题。这确保每项优化都有可验证的价值，而非为了优化而优化。

反事实推理模板：

如果不执行此操作 → [具体后果描述] → 用户可能遇到的问题是：[可观测的问题] → 此问题在优化后已消除

反事实推理示例：

• 不添加角色设定 → 模型以通用助手身份回答，缺乏领域专业术语和思维框架 → 用户收到的物理概念解释可能是科普水平而非大学物理水平
• 不拆分复合任务 → 模型可能只完成部分子任务或混淆优先级 → 用户可能只得到数据分析而遗漏报告生成
• 不添加安全护栏 → 模型可能生成带有偏见的建议或泄露敏感信息 → 在实际生产环境中可能导致合规风险

反事实强度分级：

强度	定义	示例
C0 灾难性	不执行此操作，输出完全不可用	不定义输出格式 → 代码审查结果散乱无结构，无法按优先级处理
C1 显著降质	输出可用但质量明显下降	不添加角色 → 回复缺乏专业深度
C2 次优	输出良好但可通过此操作进一步提升	不添加示例 → 输出正确但格式可能不完全符合预期

4c. 优化层面与推理规则：

1. 角色设定优化

原始状态	推理过程	优化方案
原文中完全没有角色设定	原文无角色描述 → 维度1(P0) → 角色缺失会导致输出通用化 → 策略：需根据理论方向添加相应的角色	添加："你是一位[领域]专家，擅长[核心能力]"
有角色但过于泛化（如"你是专家"）	"专家"未说明领域 → 维度1(P1) → 角色粒度不够 → 策略：细化角色领域	细化："你是一位[具体领域]专家，专注[具体方向]"
角色与任务不匹配	"诗人"角色用于"写代码" → 维度1(P1) → 角色与任务冲突 → 策略：替换为匹配角色	替换为与技术任务匹配的角色

2. 任务描述优化

• 模糊动词替换：定位原文中的模糊动词（"处理""分析""看看"），替换为具体动词（"提取""计算""分类""生成""验证"）。推理链条：模糊动词 → 维度2(P0) → 输出不可预测 → 需具体化
• 复合任务拆分：如果原文将多个子任务混为一谈（如"分析数据并生成报告并发送邮件"），拆分为独立的子步骤。推理链条：复合任务 → 维度2(P1) → 逻辑混淆 → 需分解
• 成功标准补充：如果原文缺乏成功判断标准，补充可衡量的质量要求。推理链条：无标准 → 维度2(P1) → 输出质量无法评估 → 需添加标准

3. 上下文补充

• 背景缺失识别：从原文中找出所有假设 AI 已知道的隐含前提。推理链条：隐含假设 → 维度3(P0/P1) → 模型自行猜测可能导致偏离 → 需显式化
• 合理默认值提供：如果无法从用户处获得补充上下文，根据理论方向设立合理的默认假设，并在优化说明中标注"此处为基于[理论方向]的合理推断，请确认是否符合预期"

4. 输出格式规范

• 格式精确化：将笼统的输出要求（"列出来""整理一下"）转换为精确的格式描述。推理链条：输出格式模糊 → 维度4(P0) → 结构不可控 → 需精确化
• 结构模板提供：对于复杂输出，提供具体的结构模板。示例：
  • JSON：指定字段名、类型、是否必填
  • Markdown：指定标题层级、列表格式、表格结构
  • 列表：指定排序规则（按重要性/按时间/按分类）

5. 约束添加

• 约束清单匹配：对照 Step 2 的约束检查结果，为每个 P0/P1 约束缺陷添加对应的约束语句
• 约束类型：
  • 长度约束："回复限制在 [N] 字以内"
  • 范围约束："仅基于提供的上下文回答"
  • 风格约束："使用 [正式/口语化/技术性] 语言"
  • 安全约束："不得生成 [具体禁止内容]"
  • 质量约束："每个论点必须提供证据或引用"
• 推理链条示例：原文无限定 → 维度5(P0) → 输出可能偏离预期 → 追加长度/范围约束

6. 示例或推理引导

• 示例生成：为复杂任务补充 1-3 个输入/输出对。推理链条：复杂任务无示例 → 维度6(P1) → 格式和风格不确定 → 补充示例
• CoT 引导：为推理类任务添加逐步思考的指令。推理链条：推理任务无分步引导 → 维度7(P1) → 推理过程不可控 → 添加 CoT
• 引导方式选择：

  任务类型	推荐引导方式	逻辑依据
  数学/逻辑推理	CoT："请逐步推理，每步说明依据"	分步推理减少错误累积
  对比/权衡分析	多角度框架："从 X、Y、Z 三个角度分析，每个角度列出利弊"	结构化框架覆盖全面
  创意生成	约束引导："在[具体约束]范围内，生成[数量]个方案"	适度约束提升产出质量

7. 语言与表达优化

• 弱语气强化：将"你可以考虑…"替换为"请…"或"必须…"。推理链条：弱语气 → 维度8(P1) → 指令执行力不足 → 强化语气
• 歧义消除：对原文中可能产生多种理解的表达进行精确化。推理链条：歧义表达 → 维度8(P0) → 输出不稳定 → 消除歧义
• 术语统一：同一概念在原文中使用不同术语 → 统一术语。推理链条：术语不一致 → 维度8(P1) → 理解混淆 → 统一

不可执行的优化操作列表：

以下操作不得执行，无论 Step 2/3 如何建议：

禁止的优化操作	禁止原因
添加与原始目标无关的新任务	违反"保留核心意图"原则，属于扭曲原意
删除用户明确指定的约束或要求	违反"保留关键信息"原则
将单步简单任务拆分为不必要的多步骤	过度工程化，降低实用性
为简单查询添加 CoT（如"现在几点"）	技术误用，增加不必要的 Token 消耗
用自己的知识补充原文没有的事实信息	属于"脑补"，信息可能不准确
改变指令的语义方向（如将"分析"改为"批评"）	改变原意，扭曲用户意图
添加用户未要求的格式要求（如非必要时强制 JSON）	过度修改，增加使用复杂度

4d. 过优化检测与防护（Over-Optimization Guard）

优化不是越多越好。过优化（Over-Optimization） 指添加了不必要的复杂度、约束或结构，导致提示词变得臃肿、难以维护或限制了模型的合理发挥空间。在每次执行优化操作后，检查以下过优化信号：

过优化信号清单：

信号	检测方法	触发阈值	修正方式
长度膨胀	优化后提示词长度 / 原始长度	> 3.0 倍	审查每个新增片段是否必要，移除非 P0/P1 的 P2 级优化
约束过密	新增约束语句数量	> 原始约束数 × 2	合并同类约束，移除重叠或冗余的约束
过度拆分	单步任务被拆分的子步骤数	> 5 个子步骤（对于简单任务）	合并回父步骤，保留 3-5 个关键子步骤
示例冗余	新增示例数量	> 3 个（对于简单任务）	保留最典型的 1-2 个示例
CoT 误用	为查询/翻译/简单分类任务添加了 CoT	任何命中	立即移除 CoT，这些任务不需要推理引导
角色过度具体	角色描述超出必要领域范围	包含与任务无关的技能描述	精简为仅包含与任务相关的技能

过优化检查流程：

1. 优化操作全部执行完毕后，运行过优化信号检测
2. 对每个命中信号，标记对应的优化操作
3. 将过优化操作降级（如 P2→删除，P1→P2 并标注为可选）
4. 移除降级后的操作，重新生成优化后提示词
5. 在 Step 6 输出时，在优化说明中注明"以下优化因过优化风险被降级/移除"

Step 5: 回归验证（Regression Verification）

这是 v3.0 新增的关键步骤——优化完成后，将优化后的提示词重新输入 Step 2 的 12 维度分析框架，确保优化没有引入新的缺陷（回归）。

5a. 回归分析

对优化后的提示词执行与 Step 2 相同的分析流程（2a-2e），生成：

[回归分析]
| 维度 | 优化前分数 | 优化后分数 | 变化 | 验证 |
|------|-----------|-----------|------|------|
| 1 角色设定 | 0 | 4 | +4 ✅ | 新增角色描述，与任务匹配 |
| 2 任务明确性 | 3 | 4 | +1 ✅ | 动词具体化、成功标准补充 |
| 3 上下文完整性 | 1 | 3 | +2 ✅ | 隐含假设已显式化 |
| ... | ... | ... | ... | ... |
| 总分 | 24/60 | 42/60 | +18 | 平均分 2.0 → 3.5 |

5b. 回归缺陷检测

检查优化后的提示词是否引入了新问题：

检查项	判定方法	处理方式
维度分数下降	任何维度优化后分数 < 优化前分数	严重回归：撤销导致下降的操作，用替代方案重新优化
新增反模式命中	优化后命中 Step 2c 中未命中的反模式	中度回归：分析反模式来源，修正对应的优化操作
原有优点被覆盖	优化前的 4-5 分维度在优化后降至 ≤3	轻度回归：恢复该维度的原始状态，仅对 P0 问题做最小修改
依赖维度未同步	参考 2d 依赖矩阵：优化维度 X 后，其影响维度(Y)未相应调整	级联遗漏：对 Y 维度执行补偿优化
可读性下降	优化后提示词出现语句不通、逻辑跳跃、过度模板化	可读性修复：调整措辞以恢复自然表达，移除过度模板化的结构

5c. 迭代修正循环

如果 5b 检测到回归缺陷：

1. 定位根源操作：从 Step 4 的操作原语列表中找出导致回归的操作
2. 撤销或修正：对根源操作执行回退方案（4a 中预定义的回退方案）
3. 重新生成：修正后重新生成优化后提示词
4. 重新验证：再次执行 5a-5b，直到满足以下退出条件：
   • ✅ 所有维度分数 ≥ 优化前分数（无下降）
   • ✅ 无新增 P0/P1 缺陷
   • ✅ 总分提升 ≥ 原始总分的 10%（即优化有意义）
   • ❌ 已达到 3 次迭代（超出则标注"可能过优化"并采纳当前最佳版本）

迭代修正日志（内部使用）：

[迭代修正]
第 1 轮回归：维度8 从 4 → 2（新增角色使措辞冗长）
→ 根源：add-role 操作的角色描述过于详细
→ 修正：精简角色描述到 1 句
→ 第 2 轮回归：通过 ✅
最终采纳：第 2 轮修正版本

5d. 原意保存验证

对照原始提示词，逐项验证核心意图未被改变：

验证项	检查方法	不通过处理
核心任务目标	提取优化后提示词的核心动词和目标，与原始对比	出现偏离 → 回到 Step 4 修正
用户明确指定的约束	列出优化前后所有约束，检查是否有缺失或弱化	有缺失 → 恢复原始约束
语义方向	优化前后的指令方向是否一致（如"分析"→"分析"，非"分析"→"批评"）	方向改变 → 撤销导致改变的优化
关键术语	用户使用的领域特定术语是否被保留（即使它们不是标准术语）	被替换 → 恢复原始术语

Step 6: 输出优化结果（原 Step 5）

将优化结果直接通过文本返回给用户，包含以下四部分：

第一部分 — 优化后的提示词（完整版）： 以代码块格式输出完整的优化后提示词，确保用户可以直接复制使用：

[优化后的完整提示词]

第二部分 — 推理链摘要： 展示从原始提示词到优化后提示词的核心推理过程，让用户理解每项改动的逻辑链条：

## 优化推理摘要

### 核心推理路径
原始输入 → [Step 0 验证] → 输入合法性确认 → [Step 1 解析] → 理论方向 & 原始提示词 → 
[Step 2 分析] → 12维度评分+反模式+依赖矩阵(缺陷清单) → [Step 3 策略] → 
方向性策略+针对性策略+冲突消解 → [Step 4 执行] → 形式化操作原语+反事实推理+过优化检测 → 
[Step 5 回归] → 重过12维度+迭代修正 → [Step 6 输出] → 优化后的提示词+质量对比报告

此部分帮助用户理解本技能的工作方式，建立对优化结果的信任。

第三部分 — 优化说明（逐项标注推理链）： 每项优化改动必须包含完整的推理链，格式如下：

## 优化说明

### 主要改动

1. **[改动类型]** 改动描述
   - **原文引用**："[原始提示词中的对应片段]"
   - **维度分析**：[Step 2 中的维度编号和结论]
   - **逻辑依据**：[为什么做这个改动，对应的策略依据]
   - **优化后**："[优化后的对应片段]"
   - **预期效果**：[这个改动带来的改善]

2. ...

### 已确认无需改动的方面
- **[维度]** [原文引用] → 已完善，无需修改
- **[维度]** 当前状态下此维度不适用，跳过

### 改动等级统计
- P0（必改）：N 项
- P1（建议）：N 项
- P2（可选）：N 项

注意： 优化说明中不得出现无法追溯的改动（即未在 Step 2 中分析、未在 Step 3 中决策的改动）。如果某处改动纯粹基于风格偏好，必须在说明中标注"此改动为风格性调整，不影响功能，可根据偏好决定是否采纳"。

第四部分 — 质量对比报告（新增）： 将 Step 5 回归验证的结果以可视化对比形式呈现给用户：

## 📊 质量对比

| 维度 | 优化前 | 优化后 | 提升 | 说明 |
|------|--------|--------|------|------|
| 1 角色设定 | 0 | 4 | +4 ⬆️ | 从无角色到领域专家 |
| 2 任务明确性 | 3 | 5 | +2 ⬆️ | 补充成功标准 |
| 3 上下文完整性 | 1 | 3 | +2 ⬆️ | 显式化 3 个隐含假设 |
| ... | ... | ... | ... | ... |
| **总分** | **24/60** | **42/60** | **+18 (+75%)** | **平均 2.0 → 3.5** |

报告说明：

• 只输出有变化的维度 + 总分行，评分无变化的维度省略（避免冗余）
• 提升以箭头标注趋势（⬆️ 提升 / ➡️ 不变 / ⬇️ 下降）
• 如果 Step 5 中发现回归（有维度分数下降），在报告中以 🔴 标记并在报告下方追加"⚠️ 回归警告"区块

第五部分 — 使用建议与迭代方向（可选）： 如果适用，提供 1-2 条使用优化后提示词的建议，包括：

• 参数调整建议：如 temperature、max_tokens 等参数推荐值
• 迭代方向：在第一轮优化结果基础上，用户可如何进一步迭代提示词
• 注意事项：优化后提示词中可能存在依赖用户补充信息的部分（如[需要你填写的参数]）
• 过优化警告：如果 Step 4d 中检测到过优化信号并做了降级处理，在此说明

Constraints

核心约束 — 逻辑严谨性

• Always 每项优化必须可追溯完整的推理链：原文引用 → 维度分析 → 策略选择 → 优化执行 → 反事实推理 → 回归验证，缺一不可
• Always 在 Step 2 分析中，每项判断必须引用原始提示词的具体词句作为依据，禁止仅凭主观感受下结论
• Always 对每个维度给出 0-5 定量评分并引用原文证据，不得凭感觉打分
• Always 在 Step 2c 中扫描全部 14 种反模式，不得跳过
• Always 在 Step 2d 中使用依赖矩阵标记受影响的维度
• Always 如果某项优化无法通过逻辑推断论证其必要性，则不得执行该优化
• Always 在 Step 4 中为每项优化操作提供完整的操作原语（PRE/POST/验证方法/反事实/副作用/回退方案）
• Always 每项优化的反事实推理必须具体描述"不执行此操作的后果"，禁止笼统表述
• Always 在 Step 4d 中检查过优化信号，防止过度优化
• Always 在 Step 5 中完整执行回归验证（5a-5d），不得跳过
• Always 如果回归验证发现任何维度分数下降，必须执行迭代修正
• Always 在优化说明中明确标注 P0（必改）、P1（建议）、P2（可选）的等级区分，以及反事实强度（C0/C1/C2）
• Always 对于未在 Step 2 分析中发现的维度，不得在优化中添加相关内容
• Always 先充分理解理论方向再开始优化，避免使用不匹配的优化策略
• Always 如发现原始提示词存在歧义或缺失关键信息，在优化说明中明确指出

核心约束 — 原意保护

• Never 改变原始提示词的实质目标或用途方向
• Never 添加用户原始提示词中不存在的新任务或新指令目标
• Never 删除或弱化用户原始提示词中明确指定的约束或要求
• Never 用自己的知识补充原始提示词中没有的事实性信息（如具体数据、案例、定义等），除非用户明确要求
• Never 将原始提示词中明确写明的指令替换为含义不同的表述
• Never 拆分或合并原始提示词中的步骤导致逻辑顺序改变

核心约束 — 禁止行为

• Never 将优化后的提示词写入任何文件
• Never 添加与理论方向无关的冗余内容
• Never 对简单任务过度工程化（如为"现在几点"添加 CoT）

输出格式约束

• Always 将优化后的提示词以代码块形式输出，方便用户直接复制
• Always 优化说明中的每项改动必须包含完整的推理链（原文引用 → 维度分析 → 逻辑依据 → 优化后）
• Always 如果修改了原始提示词的结构（如拆分子步骤），在优化说明中提供结构对比图
• Always 在输出末尾提示用户可以进一步迭代的方向

Examples

✅ Do This — 通用对话类提示词优化（含完整推理链）

用户输入：

理论方向：客服场景中的礼貌回复生成
原始提示词：帮我写一个客服回复，客户说产品有问题

Step 2 分析结果（内部决策依据）：

已发现优化点：
- P0：[角色设定] 原文无任何角色描述 → 角色缺失 → 需添加客服角色
- P0：[输出格式] 原文未指定回复结构 → 输出结构不可控 → 需定义回复要素
- P1：[约束条件] 无长度/语气约束 → 输出可能不符合客服场景 → 需添加
- P2：[示例引导] 简单任务，可不加示例

保留项：
- [任务明确性] 任务目标清晰（生成客服回复）
- [语言表达] 语言直接，符合指令风格

输出结构：

[优化后的提示词]
你是一位经验丰富的客服专员，擅长以专业、同理心的态度处理客户投诉。
客户反馈产品存在问题，请你生成一个回复方案，包含以下要素：
1. 对客户遇到的问题表示理解和歉意
2. 简要说明可能的解决方案（退换货、维修、退款等）
3. 告知客户下一步行动指引
4. 提供联系渠道供进一步沟通
语气要求：专业、耐心、积极解决问题
长度：不超过 200 字

## 优化推理摘要

原始输入 → 解析 → 理论方向：客服场景 → 12维分析 → 选择策略：通用对话类 →
执行优化(角色+格式+约束) → 优化完成

## 优化说明

### 主要改动
1. **[角色设定-P0] 添加客服专员角色**
   - **原文引用**："帮我写一个客服回复"
   - **维度分析**：维度1，原文无任何角色描述
   - **逻辑依据**：角色设定引导模型调用客服沟通的知识库；原始提示词未指定任何角色，输出可能过于通用或偏离客服场景
   - **优化后**："你是一位经验丰富的客服专员"
   - **预期效果**：输出将更具专业性和针对性，自动采用客服行业标准话术结构

2. **[输出格式-P0] 补充回复结构要素**
   - **原文引用**："写一个客服回复"（未指定回复内容结构）
   - **维度分析**：维度4，输出格式完全未定义
   - **逻辑依据**：无结构约束时输出格式随机，可能出现不完整的回复
   - **优化后**：要求包含致歉、解决方案、下一步指引、联系渠道四要素
   - **预期效果**：回复将结构完整，覆盖客户关切的各个方面

3. **[约束条件-P1] 添加语气和长度约束**
   - **原文引用**：无任何限制性表述
   - **维度分析**：维度5，约束条件完全缺失
   - **逻辑依据**：客服回复的语气和长度直接影响客户体验
   - **优化后**：要求"专业、耐心"语气，限制"不超过200字"
   - **预期效果**：输出在风格和篇幅上符合客服场景要求

### 已确认无需改动的方面
- [任务明确性] 任务目标已清晰
- [语言表达] 直接指令风格适合

### 改动等级统计
- P0：2项｜P1：1项｜P2：0项

✅ Do This — 代码类提示词优化（含完整推理链）

用户输入：

理论方向：Python 代码审查
原始提示词：检查这段代码有什么问题
def calc(a,b):
    return a/b

Step 2 分析结果（内部决策依据）：

已发现优化点：
- P0：[角色设定] 原文无角色描述 → 代码审查需专业知识背景 → 需添加专家角色
- P0：[输出格式] "有什么问题"未指定审查维度和输出结构 → 需定义审查框架
- P1：[约束条件] 无审查标准 → 严重程度需分级 → 需添加分级标准
- P1：[示例引导] 审查类任务可加示例提升效果 → 可选

保留项：
- [任务明确性] 核心目标明确（检查代码问题）

输出结构：

[优化后的提示词]
你是一位资深的 Python 代码审查专家，擅长发现代码中的 bug、性能问题和安全隐患。
请审查以下 Python 函数，从以下维度进行分析：
1. **正确性**：是否存在逻辑错误或边界情况
2. **安全性**：是否存在安全隐患（如除零错误、注入风险等）
3. **可读性**：命名、注释、代码风格是否规范
4. **性能**：是否存在性能优化空间

需要审查的代码：
```python
def calc(a, b):
    return a / b

请以列表形式输出发现的问题，每个问题包含：严重程度（高/中/低）、问题描述、改进建议。

优化推理摘要

原始输入 → 解析 → 理论方向：代码审查 → 12维分析 → 选择策略：代码审查类 → 执行优化(角色+格式+约束) → 优化完成

优化说明

主要改动

1. [角色设定-P0] 添加代码审查专家角色

   • 原文引用：全文无角色描述
   • 维度分析：维度1，角色缺失
   • 逻辑依据：代码审查需要结构化知识框架；角色设定能引导模型调用代码审查方法论而非随意评论
   • 优化后："资深的 Python 代码审查专家，擅长发现 bug、性能问题和安全隐患"
   • 预期效果：审查结果将更系统深入

2. [输出格式-P0] 定义四维审查框架

   • 原文引用："检查这段代码有什么问题"（未指定审查维度）
   • 维度分析：维度4，输出格式未定义
   • 逻辑依据：无审查框架时输出可能遗漏重要维度或结构混乱
   • 优化后：正确性、安全性、可读性、性能四个维度 + 结构化输出格式
   • 预期效果：覆盖全面，不遗漏关键审查维度

3. [约束条件-P1] 添加严重程度分级

   • 原文引用：无任何质量标准表述
   • 维度分析：维度5，约束缺失
   • 逻辑依据：所有问题平等列出不利于确定处理优先级
   • 优化后：每个问题标注严重程度（高/中/低）
   • 预期效果：用户可以按优先级处理发现问题

已确认无需改动的方面

• [任务明确性] 核心目标明确
• [上下文完整性] 代码即上下文，足够

改动等级统计

• P0：2项｜P1：1项｜P2：0项

### ✅ Do This — 学术类提示词优化（展示多领域覆盖）

**用户输入：**

理论方向：物理学概念解答（大学水平） 原始提示词：解释一下什么是量子纠缠

**Step 2 分析结果（内部决策依据）：**

已发现优化点：

• P0：[角色设定] 无角色 → 大学物理概念解答需要专业背景
• P0：[输出格式] 未指定解释的层次和结构 → 输出深度不可控
• P1：[上下文完整性] 未说明受众水平 → 可能过深或过浅
• P1：[推理引导] 概念解释可加入类比引导 → 可选
• P1：[约束条件] 无字数/复杂度限制

保留项：

• [任务明确性] 核心概念明确（量子纠缠）

**输出结构：**

[优化后的提示词] 你是一位大学物理教授，擅长用清晰易懂的方式解释量子力学概念。 请以大学物理专业本科生的水平，解释"量子纠缠"概念，回答应包含以下结构：

1. 精确定义：给出量子纠缠的物理定义和数学表示
2. 核心原理：叠加态原理、测量塌缩、非定域性
3. 关键实验证据：贝尔不等式违反实验
4. 常见误解澄清：如"超光速通信"等
5. 实际应用：量子通信、量子密钥分发

要求：

• 使用专业但可理解的表述
• 包含至少一个类比帮助理解
• 标注任何存在学术争议的论点
• 控制在 500 字以内

优化推理摘要

略

优化说明

主要改动

1. [角色设定-P0] 添加大学物理教授角色

   • 原文引用：全文无角色
   • 维度分析：维度1，角色缺失 → 大学物理概念需专业知识框架
   • 逻辑依据：教授角色引导模型调用物理学教学知识库
   • 优化后："大学物理教授"
   • 预期效果：提升解释的专业性和教学适配度

2. [输出格式-P0] 定义5段式解释结构

   • 原文引用："解释一下什么是量子纠缠"（未指定解释结构）
   • 维度分析：维度4，输出格式未定义
   • 逻辑依据：无结构时输出可能遗漏关键部分或结构随机的；物理概念解释需要从定义到应用的递进逻辑
   • 优化后：定义→原理→证据→误解→应用
   • 预期效果：解释全面，逻辑递进清晰

3. [上下文完整性-P1] 指定受众水平

   • 原文引用：未指定受众
   • 维度分析：维度3，上下文缺失 → 难度不可控
   • 逻辑依据：大学物理与科普的解释深度截然不同
   • 优化后："大学物理专业本科生的水平"
   • 预期效果：解释深度与受众匹配

改动等级统计

• P0：2项｜P1：2项｜P2：0项

### ❌ Not This — 错误做法

**错误做法 1：直接改写而不说明理由**

优化后：请检查以下 Python 代码...

→ 没有说明改了什么、为什么改，用户无法学习优化思路，且无法验证改动的合理性

**错误做法 2：改变原始目标（扭曲原意）**

原始：帮我写一个客服回复 优化后：请你以产品经理的身份撰写一份客户调研问卷...

→ 改变了原始提示词的意图方向，"客服回复"≠"调研问卷"，属于扭曲原意，严重违反核心约束

**错误做法 3：优化过于冗余**

原始：检查这段代码 优化后：尊敬的 AI 助手，我恳请您以一位拥有 20 年经验的 Python 架构师的身份...（200 字铺垫）

→ 添加了与任务无关的冗余内容，降低可用性

**错误做法 4：将优化结果写入文件**
→ 用户明确要求直接输出，不应写入任何文件

**错误做法 5：添加没有逻辑依据的修改**

优化说明：

• [角色设定] 添加了"资深专家"角色
  • 理由：我觉得这样比较好

→ 没有使用 Step 2 的维度分析，没有引用原文，没有逻辑推理链，纯属主观偏好

**错误做法 6：用自己的知识补充原文没有的信息**

原始：解释量子纠缠 优化后定义中包含了"EPR佯谬"和"贝尔不等式"的详细数值

→ 如果原文未要求这些细节，添加它们超出了优化的范畴，属于"脑补"

**错误做法 7：合并多个优化点的推理链为一条笼统说明**

优化说明： 改进了这个提示词，使其更好用。

→ 每个优化点必须独立标注推理链，笼统概括使用户无法理解具体的改动逻辑

## Notes

- **v3.0 新增特性**：输入验证 (Step 0)、定量评分 (0-5 scale)、反模式检测 (14 种)、跨维度依赖矩阵、冲突解决协议、操作原语形式化 (PRE/POST)、反事实推理 (C0/C1/C2)、过优化防护 (Step 4d)、回归验证 (Step 5)、质量对比报告
- 本技能不依赖任何外部工具或 API，纯靠 Claude 的提示词工程能力完成优化
- 理论方向越具体，优化策略越精准。建议用户提供尽可能详细的理论方向描述（包括具体任务、目标受众、使用场景等）
- 如果用户对优化结果不满意，可要求进一步优化或提供更多上下文信息
- 对于有争议的优化选择（如是否添加 chain-of-thought），在优化说明中标注"可选建议"而非强制改动
- 输出中的"优化说明"部分可以帮助用户理解提示词工程原理，长期提升用户的提示词编写能力
- 12 维度分析框架覆盖了提示词质量的核心方面，但不是所有维度在每个优化任务中都需要（如纯工具类提示词可能不需要角色设定）
- Step 2 的分析结果（缺陷清单和优先级）不直接输出给用户，而是作为 Step 3 策略选择和 Step 4 执行优化的内部决策依据，用户看到的是 Step 6 中提炼后的优化说明
- 部分优化操作依赖于对理论方向的合理推断（如为客服场景推断"同理心"语气），这类推断在优化说明中标注"基于[方向]的合理推断"，让用户决定是否采纳
- 如果用户对"P0/P1/P2"的分级方式不认同，可以在后续对话中调整优先级
- 提示词工程是一个迭代过程，单次优化可能无法覆盖所有改进空间，建议用户在实际使用后再回来进行第二轮优化
- **技术引用**："Chain-of-Thought 在推理任务上可提升 40-80% 准确率"引用自 NextAgile.ai 2026 Enterprise Guide；12 维度分析框架基于 "Anatomy of a Prompt" 学术框架（DOI: 10.5281/ZENODO.18527762）和 GOLDEN 检查清单（PromptBuilder.cc 2025），结合 Anthropic 官方提示词工程最佳实践（platform.claude.com）扩展