Menü
智能提示词专家 - 根据上下文和对话环境动态生成最优提示词
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
| name | prompt-expert |
| description | 智能提示词专家 - 根据上下文和对话环境动态生成最优提示词 |
| version | 1.0.0 |
| created | "2026-03-21T00:00:00.000Z" |
用途: 分析当前对话上下文、项目环境、用户意图，智能生成最合适的提示词 触发策略: 多模型聚合分析 + 本地上下文感知 核心理念: 不是优化提示词本身，而是根据场景生成最适合的提示词
当用户输入包含以下关键词时，自动调用提示词专家：
| 用户输入 | 自动调用 |
|---|---|
| "怎么提示"、"如何 prompt"、"提示词怎么写" | prompt-expert |
| "这个场景怎么问"、"应该怎么问" | prompt-expert |
| "帮我生成提示词"、"写个 prompt" | prompt-expert |
| "optimize prompt"、"how to prompt"、"write a prompt" | prompt-expert |
| "best way to ask"、"how should I ask" | prompt-expert |
当检测到以下场景时，自动提供提示词建议：
| 场景 | 触发动作 |
|---|---|
| 用户描述复杂需求但表达模糊 | 生成结构化提示词 |
| 用户在多个话题间切换 | 生成聚焦提示词 |
| 用户准备开始新任务 | 生成任务启动提示词 |
| 用户遇到阻碍/困惑 | 生成问题诊断提示词 |
# 基础分析
node ~/src/projects/tools/user-scripts/skills/prompt-expert/main.mjs "你的需求"
# 带上下文分析
node ~/src/projects/tools/user-scripts/skills/prompt-expert/main.mjs --context
# 深度分析（多模型）
node ~/src/projects/tools/user-scripts/skills/prompt-expert/main.mjs --deep
# 查看最近的提示词建议
cat ~/.claude/projects/-home-throokie/prompt-suggestions.md
用户输入/当前对话
│
▼
┌─────────────────┐
│ 上下文感知引擎 │ ← 分析对话历史、项目状态、文件变更
└────────┬────────┘
│
▼
┌─────────────────┐
│ 意图识别层 │ ← 确定用户想要完成什么
└────────┬────────┘
│
▼
┌─────────────────┐
│ 场景匹配引擎 │ ← 匹配到预定义场景模板
└────────┬────────┘
│
▼
┌─────────────────┐
│ 多模型提示词生成 │ ← 并行生成多个提示词版本
└────────┬────────┘
│
▼
┌─────────────────┐
│ 质量评估与整合 │ ← 选择最优提示词
└────────┬────────┘
│
▼
┌─────────────────┐
│ 输出提示词 │ ← 附带使用建议
└─────────────────┘
prompt-expert/
├── SKILL.md # 本文件
├── README.md # 详细文档
├── main.mjs # 主入口
├── scripts/
│ ├── context-analyzer.mjs # 上下文分析
│ ├── scenario-matcher.mjs # 场景匹配
│ ├── prompt-generator.mjs # 提示词生成
│ ├── quality-scorer.mjs # 质量评分
│ └── template-library.md # 提示词模板库
├── config/
│ ├── scenarios.json # 场景定义
│ └── prompts.yaml # 提示词配置
└── output/
└── suggestions/ # 生成的提示词建议
| 场景 | 特征 | 提示词策略 |
|---|---|---|
| 简单查询 | 单一问题、事实性 | 直接、精确、一行 |
| 任务执行 | 需要操作、有步骤 | 结构化、分步骤、带验收标准 |
| 探索研究 | 开放性问题、需要调研 | 多轮对话、分阶段 |
| 创意设计 | 需要创意、头脑风暴 | 发散性、多角度 |
| 问题诊断 | 调试、排查 | 假设驱动、排除法 |
| 学习理解 | 新概念、新技能 | 类比、示例驱动 |
| 阶段 | 特征 | 提示词策略 |
|---|---|---|
| 启动阶段 | 刚开始任务 | 设定目标、范围、期望 |
| 执行阶段 | 进行中 | 聚焦当前步骤、上下文保持 |
| 阻塞阶段 | 遇到困难 | 问题定位、备选方案 |
| 收尾阶段 | 接近完成 | 验收、验证、文档化 |
| 项目类型 | 检测信号 | 提示词调整 |
|---|---|---|
| 新项目 | 无 git 历史、空目录 | 强调脚手架、最佳实践 |
| 现有项目 | 有代码库、规范 | 强调遵循现有模式 |
| 多模块项目 | 复杂目录结构 | 强调模块边界、依赖关系 |
| 协作项目 | 有 PR、issue | 强调沟通、文档 |
// 分析的维度
const contextDimensions = {
// 对话历史
conversationHistory: {
recentTopics: [], // 最近讨论的话题
unresolvedQuestions: [], // 未解答的问题
recurringThemes: [] // 反复出现的主题
},
// 项目状态
projectState: {
currentDirectory: '', // 当前工作目录
gitStatus: '', // git 状态
recentChanges: [], // 最近的代码变更
openFiles: [] // 打开的文件
},
// 用户状态
userState: {
currentTask: '', // 当前任务
taskProgress: '', // 任务进度
frustrationSignals: [], // 挫折信号
confidenceLevel: '' // 信心水平
}
};
// 场景匹配规则
const scenarioRules = {
'bug-fix': {
signals: ['报错', 'error', 'failed', '不工作', 'bug'],
promptTemplate: `
你正在调试一个问题。请按以下步骤进行：
1. **问题复现**: 先确认问题现象和复现步骤
2. **定位范围**: 确定问题可能出现的模块
3. **假设验证**: 提出 3 个最可能的原因，逐一排查
4. **修复方案**: 给出修复代码和验证方法
当前上下文：
- 项目类型：{projectType}
- 技术栈：{techStack}
- 错误信息：{errorMessage}
`
},
'feature-implementation': {
signals: ['实现', '添加', 'create', 'build', '新功能'],
promptTemplate: `
你正在实现一个新功能。请按以下流程进行：
1. **需求澄清**: 确认功能的具体需求和边界
2. **设计先行**: 先设计接口/组件结构，再编码
3. **测试驱动**: 先写测试，再实现功能
4. **代码审查**: 完成后自查代码质量
技术要求：
- 遵循项目的代码规范
- 参考类似功能的实现模式
- 保证 80%+ 测试覆盖率
`
},
'research-exploration': {
signals: ['怎么', '如何', 'how to', '了解', '学习', '原理'],
promptTemplate: `
你正在探索一个新技术/概念。请按以下方式进行：
1. **背景介绍**: 这是什么？为什么重要？
2. **核心概念**: 关键术语和概念解释
3. **实践示例**: 最小可运行的代码示例
4. **最佳实践**: 业界推荐的使用方式
5. **常见陷阱**: 容易犯的错误和如何避免
学习路径建议：
- 入门资料（15 分钟）
- 深入资料（1 小时）
- 实战项目（1 天）
`
}
};
// 提示词生成的元原则
const promptGenerationPrinciples = {
// 清晰度
clarity: '用简洁明确的语言，避免歧义',
// 上下文
context: '包含必要的背景信息，但不过载',
// 结构
structure: '使用分点、编号、代码块等结构化格式',
// 可执行
actionability: '明确指出期望的输出和行动',
// 约束
constraints: '设定合理的边界和限制',
// 示例
examples: '提供示例说明期望的输出格式'
};
// 提示词质量评分维度
const qualityMetrics = {
// 完整性 (0-25 分)
completeness: {
hasContext: false, // 有上下文
hasGoal: false, // 有明确目标
hasConstraints: false, // 有约束条件
hasExamples: false, // 有示例
hasOutputFormat: false // 有输出格式要求
},
// 清晰度 (0-25 分)
clarity: {
unambiguous: false, // 无歧义
concise: false, // 简洁
wellStructured: false, // 结构良好
specificLanguage: false // 使用具体语言
},
// 可执行性 (0-25 分)
actionability: {
clearAction: false, // 明确的行动指令
feasible: false, // 在能力范围内
testable: false, // 结果可验证
prioritized: false // 优先级清晰
},
// 上下文适配 (0-25 分)
contextFit: {
projectAligned: false, // 与项目一致
conversationAligned: false, // 与对话连贯
userLevelAligned: false, // 与用户水平匹配
timeAppropriate: false // 时间预算合理
}
};
用户输入：我想优化这个项目的性能
检测到：
- 当前项目：Node.js 后端服务
- 最近对话：讨论数据库查询
- 代码变更：添加了新的 API 端点
生成的提示词：
你正在优化一个 Node.js 后端服务的性能。
上下文:
任务要求:
输出格式:
用户输入：这个功能我一直实现不了，卡住了
检测到：
- 用户情绪：挫折
- 尝试次数：多次
- 当前进度：部分完成
生成的提示词：
你遇到了一个实现障碍。让我们系统性地诊断问题：
当前状态:
诊断流程:
下一步行动: 请告诉我具体卡在哪个步骤，以及你期望的行为 vs 实际行为。
用户输入：我要开始一个新项目，做 XXX
检测到：
- 项目状态：空目录
- 用户经验：初次接触该技术栈
- 时间预算：未指定
生成的提示词：
你正在启动一个新项目。让我们建立一个坚实的基础：
项目目标: {projectGoal}
启动清单:
学习资源:
第一步: 我们先从项目脚手架开始，我会帮你创建一个标准化的目录结构。 准备好后告诉我。
详见 scripts/template-library.md
核心模板分类：
| 分类 | 模板数量 | 适用场景 |
|---|---|---|
| 项目启动 | 8 | 新项目初始化、技术选型 |
| 功能开发 | 15 | CRUD、认证、文件处理等 |
| 问题诊断 | 12 | 错误排查、性能优化 |
| 代码审查 | 6 | 自查清单、安全检查 |
| 学习探索 | 10 | 新技术、概念理解 |
| 文档写作 | 5 | API 文档、README |
用户输入 → intent-analyzer 分析意图 → prompt-expert 生成提示词
prompt-expert 检测到研究类需求 → 推荐 model-compare-search
prompt-expert 检测到复杂任务 → 生成使用 planner 的提示词
编辑 config/scenarios.json:
{
"customScenarios": [
{
"name": "liteellm-config",
"signals": ["litellm", "fallback", "model routing"],
"promptTemplate": "见 config/prompts.yaml#liteellm"
}
]
}
编辑 config/prompts.yaml:
liteellm:
context: "LiteLLM 配置项目"
commonTasks:
- name: 添加新 provider
prompt: |
你正在配置 LiteLLM 的新 provider。
步骤：
1. 在 config.yaml 中添加 provider 配置
2. 设置环境变量和认证信息
3. 配置模型路由规则
4. 测试连接和 fallback 链
参考现有 provider 的配置模式。
| 指标 | 计算方式 | 目标值 |
|---|---|---|
| 清晰度得分 | 用户反馈 + 执行成功率 | > 85% |
| 上下文适配 | 项目规范匹配度 | > 90% |
| 执行效率 | 减少澄清轮次 | -50% |
| 用户满意度 | 显式好评率 | > 80% |
# 查看生成的提示词建议
ls -lt ~/src/projects/tools/user-scripts/skills/prompt-expert/output/suggestions/
# 分析使用频率
cat ~/src/projects/tools/user-scripts/skills/prompt-expert/output/usage-log.json | jq '.scenarioCounts'
# 查看质量评分
cat ~/src/projects/tools/user-scripts/skills/prompt-expert/output/quality-report.json
# 1. 检查上下文分析
node ~/src/projects/tools/user-scripts/skills/prompt-expert/scripts/context-analyzer.mjs --debug
# 2. 检查场景匹配
node ~/src/projects/tools/user-scripts/skills/prompt-expert/scripts/scenario-matcher.mjs --trace
# 3. 手动指定场景
node ~/src/projects/tools/user-scripts/skills/prompt-expert/main.mjs --scenario bug-fix
# 检查是否检测到项目
cat ~/.claude/projects/-home-throokie/project-context.md
# 手动指定项目类型
node ~/src/projects/tools/user-scripts/skills/prompt-expert/main.mjs --project-type springboot
~/src/projects/tools/user-scripts/skills/intent-analyzer/SKILL.md~/src/projects/tools/user-scripts/skills/model-compare-search/SKILL.md~/.claude/skills/prompt-optimizer/SKILL.md最后更新：2026-03-21 | 版本：v1.0.0
PRD 驱动的完整开发工作流 - 从用户故事分析到自动化测试的端到端流程。 当用户需要"一条龙开发"、"全自动开发"、"从需求到代码"、"先分析PRD再开发"、 "多模型分析后自动开发"、"完整开发流程"、"从需求分析到测试"或任何涉及 PRD分析→需求整合→代码生成→自动化测试的连续工作时，**必须**使用此技能。 整合多模型聚合、Kimi深度整合、PRD生成、多模型代码审查、代码开发、自动化测试等能力。 **新增**: 智能决策大脑(th-workflow-decision-engine) - 自动判断何时使用GitNexus代码分析、 unified-search联网搜索、多模型聚合，测试失败时智能选择修复策略。
PRD驱动工作流的决策大脑 - 智能判断何时使用搜索、代码分析、多模型聚合。 作为子Skill被 th-prd-driven-dev-workflow 调用，负责工具选择和策略决策。
动态 Agent 生成器（母体模式）。当用户需要处理复杂项目时，自动分析需求并生成定制化专业 Agent 团队。接收项目描述、技术栈、版本号、约束条件，输出完整的 Agent 配置和启动命令。触发词：需要专业团队、生成 Agent、创建定制化 Agent、复杂项目团队、动态生成 Agent。
Arch Linux 系统特性（PEP 668、AUR Helpers）
浏览器交互自动化：网页测试、表单填写、截图、数据提取。触发词：打开网页、填写表单、网页截图。
系统化代码审查：安全性、性能、可维护性、正确性、测试覆盖。触发词：代码审查、review 代码、PR 审查。