prompt-analyzer

# Prompt Analyzer - 提示词分析器 ## 🎯 核心职责 **专注于已生成Prompt的分析和洞察**，不负责生成新Prompt。 提供以下5大功能： 1. **查看详情** - 分析Prompt使用了哪些元素 2. **对比分析** - 对比两个Prompt的差异 3. **相似推荐** - 推荐相似的Prompt 4. **元素统计** - 查询元素库统计信息 5. **风格推荐** - 按风格推荐最佳元素组合 --- ## 📋 功能1：查看Prompt详情 ### 触发场景 用户说： - "查看Prompt #5的详情" - "分析一下Prompt #5用了哪些元素" - "显示Prompt #5的完整信息" - "Prompt #5包含什么？" ### SKILL处理流程 #### 步骤1：识别意图 从用户输入中提取Prompt ID： ```python # 示例：用户说 "查看Prompt #5的详情" prompt_id = 5 ``` #### 步骤2：调用执行层 ```python from prompt_analyzer import analyze_prompt_detail result = analyze_prompt_detail(prompt_id=5) ``` #### 步骤3：检查结果 如果Prompt不存在： ```python if 'error' in result: print(f"❌ {result['error']}") # 提示用户：该Prompt不存在，可能还没生成过任何Prompt ``` #### 步骤4：格式化展示 ```markdown 📸 Prompt #5 详情 **用户需求**: {result['user_intent']} **生成时间**: {result['generation_date']} **质量评分**: {result['quality_score']}/10 **风格标签**: {result['style_tag']} **使用的元素** ({len(result['elements'])}个): 1. [{field_name}] {chinese_name} (复用度: {reusability}) - 类别: {category} - 模板: {template} 2. ... **完整Prompt**: ──────────────────────────────────────────────────────── {result['prompt_text']} ──────────────────────────────────────────────────────── ``` --- ## 📋 功能2：对比两个Prompts ### 触发场景 用户说： - "对比Prompt #5和#17" - "#5和#17有什么区别？" - "比较一下Prompt #5和#17" ### SKILL处理流程 #### 步骤1：识别意图 从用户输入中提取两个Prompt ID： ```python # 示例：用户说 "对比Prompt #5和#17" prompt_id1 = 5 prompt_id2 = 17 ``` #### 步骤2：调用执行层 ```python from prompt_analyzer import compare_prompts result = compare_prompts(prompt_id1=5, prompt_id2=17) ``` #### 步骤3：分析差异维度 SKILL分析返回的数据，生成对比表格： ```markdown ⚖️ Prompt对比：#5 vs #17 ### 基本信息对比 | 维度 | Prompt #5 | Prompt #17 | |------|-----------|-----------| | 用户需求 | {p1['user_intent']} | {p2['user_intent']} | | 风格标签 | {p1['style_tag']} | {p2['style_tag']} | | 质量评分 | {p1['quality_score']}/10 | {p2['quality_score']}/10 | | 元素总数 | {len(p1['elements'])}个 | {len(p2['elements'])}个 | | 生成时间 | {p1['generation_date']} | {p2['generation_date']} | ### 元素差异分析 **相似度**: {result['similarity_score']*100:.1f}% **共同元素** ({len(result['common_elements'])}个): - {common_element['chinese_name']} ({common_element['category']}) - ... **Prompt #5 独有** ({len(result['unique_to_p1'])}个): - {element['chinese_name']} ({element['category']}) 关键词: {element['template'][:50]}... - ... **Prompt #17 独有** ({len(result['unique_to_p2'])}个): - {element['chinese_name']} ({element['category']}) 关键词: {element['template'][:50]}... - ... ``` #### 步骤4：分析结论 SKILL根据相似度给出结论： ```python if result['similarity_score'] > 0.7: print("💡 这两个Prompt非常相似，风格接近") elif result['similarity_score'] > 0.4: print("💡 这两个Prompt有一定相似性，但风格有明显差异") else: print("💡 这两个Prompt完全不同，属于不同风格") ``` --- ## 📋 功能3：推荐相似Prompts ### 触发场景 用户说： - "推荐与#5相似的Prompt" - "有没有类似#5的？" - "找一些相似的提示词" - "基于Prompt #5推荐相似的" ### SKILL处理流程 #### 步骤1：识别意图 ```python # 示例：用户说 "推荐与#5相似的Prompt" prompt_id = 5 top_n = 3 # 默认推荐3个 ``` #### 步骤2：调用执行层 ```python from prompt_analyzer import recommend_similar_prompts result = recommend_similar_prompts(prompt_id=5, top_n=3) ``` #### 步骤3：分析推荐理由 SKILL解读相似度原因，为每个推荐Prompt生成理由： ```python # 分析共同元素，找出相似的原因 def analyze_similarity_reason(common_element_ids, target_prompt, candidate_prompt): """ 分析两个Prompt为什么相似 返回： - 共同的风格标签 - 共同的元素类别 - 推荐理由列表 """ reasons = [] # 检查风格标签 if target_prompt['style_tag'] == candidate_prompt['style_tag']: reasons.append(f"✓ 同为{candidate_prompt['style_tag']}风格") # 按类别统计共同元素 category_count = {} for elem_id in common_element_ids: # 查询元素详情获取category # ... (执行层已返回) category = ... category_count[category] = category_count.get(category, 0) + 1 # 列出重要的共同类别 for category, count in category_count.items(): if count >= 2: reasons.append(f"✓ {count}个共同的{category}元素") return reasons ``` #### 步骤4：格式化展示 ```markdown 🔍 为Prompt #5推荐相似提示词 [1] Prompt #{recommendation['prompt_id']} - {recommendation['user_intent']} 相似度: {recommendation['similarity']*100:.1f}% 共同元素: {recommendation['common_count']}个 质量评分: {recommendation['quality_score']}/10 理由: - ✓ 同为{style_tag}风格 - ✓ 共用3个makeup元素 - ✓ 共用2个lighting元素 [2] ... [3] ... ``` --- ## 📋 功能4：元素库统计 ### 触发场景 用户说： - "元素库有哪些类别？" - "makeup类别有多少个元素？" - "哪些元素用得最多？" - "查看元素库统计" - "makeup_styles的详细信息" ### SKILL处理流程 #### 步骤1：识别意图 ```python # 场景A：用户说 "元素库有哪些类别？" category = None # 查询整体统计 # 场景B：用户说 "makeup类别有多少个元素？" category = 'makeup_styles' # 查询特定类别 ``` #### 步骤2：调用执行层 ```python from prompt_analyzer import get_library_statistics # 整体统计 result = get_library_statistics() # 或者特定类别 result = get_library_statistics(category='makeup_styles') ``` #### 步骤3：格式化展示 **场景A：整体统计** ```markdown 📊 元素库统计 **总计**: {result['total_elements']} 个元素 **按类别分布**: - makeup_styles: {count}个 - clothing_styles: {count}个 - hair_styles: {count}个 - lighting_techniques: {count}个 - facial_features: {count}个 - ... 💡 使用 "查看makeup_styles详情" 查看具体元素列表 ``` **场景B：类别详情** ```markdown 📊 元素库统计 - {category} **类别**: {result['category_details']['category']} **总数**: {result['category_details']['total_count']} 个元素 **最常用元素** (Top 10): | 排名 | 元素名称 | 复用度 | 使用次数 | 平均质量 | |------|---------|--------|---------|---------| | 1 | {chinese_name} | {reusability} | {usage_count}次 | {avg_quality}/10 | | 2 | ... | ... | ... | ... | | ... | **最高质量元素** (Top 5): [按avg_quality排序] **从未使用的元素** ({count}个): [usage_count = 0的元素] ``` --- ## 📋 功能5：按风格推荐元素组合 ### 触发场景 用户说： - "古装风格应该用什么元素？" - "科幻风格的最佳元素组合是什么？" - "推荐西部世界风格的元素" - "ancient_chinese风格用哪些元素好？" ### SKILL处理流程 #### 步骤1：识别意图 ```python # 示例：用户说 "古装风格应该用什么元素？" # 映射用户描述到style_tag style_mapping = { '古装': 'ancient_chinese', '古装中式': 'ancient_chinese', '仙剑奇侠传': 'ancient_chinese', '科幻': 'modern_sci_fi', '西部世界': 'westworld_android', '赛博朋克': 'cyberpunk', '奇幻': 'fantasy' } style = style_mapping.get('古装', 'ancient_chinese') ``` #### 步骤2：调用执行层 ```python from prompt_analyzer import recommend_elements_by_style result = recommend_elements_by_style(style='ancient_chinese') ``` #### 步骤3：按类别组织推荐 SKILL将返回的元素按类别分组，便于展示： ```python # 按category分组 elements_by_category = {} for element in result['recommended_elements']: category = element['category'] if category not in elements_by_category: elements_by_category[category] = [] elements_by_category[category].append(element) # 按类别的最高使用频率排序 sorted_categories = sorted( elements_by_category.items(), key=lambda x: max(e['usage_frequency'] for e in x[1]), reverse=True ) ``` #### 步骤4：格式化展示 ```markdown 🎨 风格推荐：{result['style']} **数据来源**: 基于{result['total_prompts']}个历史Prompt分析 **推荐元素组合** (按类别): ### 1. {category_name} [{field_name}] {chinese_name} - 使用频率: {usage_frequency*100:.0f}% ({usage_count}/{total_prompts}个Prompt使用) - 复用度: {reusability}/10 - 平均质量: {avg_quality}/10 - 关键词: {template[:80]}... ### 2. {category_name} ... **使用建议**: - ✓ 这个组合在{style}风格中最常用，质量稳定 - ✓ 推荐搭配：{推荐的基础属性，如"东亚女性"} - ⚠️ 避免搭配：{冲突的元素} ``` --- ## 🔧 执行层函数列表 SKILL调用以下执行函数（代码层只执行，不决策）： ```python # 所有函数在 prompt_analyzer.py 中 def analyze_prompt_detail(prompt_id: int) -> dict: """查询Prompt完整信息""" def compare_prompts(prompt_id1: int, prompt_id2: int) -> dict: """对比两个Prompt差异"""