| name | prompt-master |
| description | The ultimate prompt engineering toolkit that combines three powerful skills: 50+ role templates from awesome-chatgpt-prompts (143k+ stars), systematic learning of 58+ techniques from beginner to expert, and intelligent prompt optimizer with 6-dimensional quality assessment. Automatically routes to the right capability based on your request - get templates, learn techniques, or optimize prompts seamlessly. |
Prompt Master - 终极提示词工程工具包
三合一超级技能：模板库 + 学习系统 + 优化器
整合三大核心能力，智能路由到最适合的工具
🎯 核心能力
1️⃣ 提示词模板库
来自 awesome-chatgpt-prompts（143k+ stars）的 50+ 角色模板
使用场景：
- 需要快速启动专业角色对话
- 查找特定场景的提示词模板
- 角色扮演、面试准备等
核心角色：
- 开发技术：Linux Terminal, JS Console, SQL Terminal
- 创意写作：Storyteller, Poet, Novelist, Screenwriter
- 专业角色：Doctor, Lawyer, Recruiter, Developer
- 实用工具：Job Interviewer, Travel Guide, Translator
2️⃣ 提示词学习系统
系统化学习 58+ 种提示词技术
使用场景：
- 从零学习提示词工程
- 掌握特定技术（Few-shot, CoT, ReAct等）
- 查看实战案例和学习路径
技术分类：
- 入门级（8种）：角色扮演、逐步思考、示例驱动等
- 进阶级（8种）：思维树、自我反思、多角色辩论等
- 专家级（8种）：ReAct、提示词链、元提示等
3️⃣ 提示词优化器
6 维度质量评估和智能优化
使用场景：
评估维度：
清晰度、具体性、结构性、完整性、语气、约束条件
🚀 快速开始
自动识别触发
Prompt Master 会自动识别你的意图并调用合适的能力：
获取角色模板：
"扮演一个面试官"
"我需要一个医生的角色提示词"
"给我一个Linux终端的模板"
学习提示词技术：
"如何学习提示词工程"
"教我 Few-shot learning"
"什么是 Chain-of-Thought"
"我想掌握提示词技术"
优化提示词：
"优化这个提示词：..."
"评估我的提示词质量"
"如何改进这个提示"
显式调用
如果需要明确指定能力：
"使用模板库找..."
"调用学习系统..."
"用优化器处理..."
📖 能力详解
模板库使用流程
1. 描述需求场景
↓
2. 自动匹配角色/模板
↓
3. 替换占位符（如 ${Position}）
↓
4. 直接使用或微调
↓
5. 可选：调用优化器增强
学习系统路径
初学者路径（0-1个月）：
Week 1-2: 角色扮演 + 系统指令
Week 3-4: 逐步思考 + 示例驱动
Week 5-6: 结构化输出 + 任务分解
Week 7-8: 输出格式化 + 约束条件
进阶路径（1-3个月）：
Month 2: 思维树 + 自我反思 + 对比分析
Month 3: 多角色辩论 + CoT 优化 + 知识蒸馏
专家路径（3+个月）：
掌握 ReAct、提示词链、元提示等高级技术
实战项目：构建复杂的多步骤 AI 工作流
优化器工作流
原始提示词
↓
[步骤 1] 分析需求
↓
[步骤 2] 6 维度评估
↓
[步骤 3] 识别适用技术
↓
[步骤 4] 生成优化方案
↓
[步骤 5] 应用技术优化
↓
优化后的提示词
🔄 智能协同工作流
完整示例：创建面试准备提示词
用户请求："帮我准备一个前端开发面试"
[步骤 1] 调用模板库
→ 检索到 "Job Interviewer" 模板
[步骤 2] 调用学习系统
→ 识别适用技术：角色扮演、任务分解、约束条件
[步骤 3] 调用优化器
→ 应用技术生成定制版本
最终输出：
你是一位资深前端技术面试官，曾在多家大厂任职。
请模拟真实的前端开发面试流程：
1. 自我介绍环节（2-3分钟）
2. 技术问题环节（5-8个问题，涵盖HTML/CSS/JS/框架）
3. 算法题环节（1-2道中等难度）
4. 项目经验讨论
5. 反向提问环节
要求：
- 每次只问一个问题
- 等待我的回答后再继续
- 对每个回答给予反馈（优秀/良好/需改进）
- 最后给出总体评价和改进建议
路由逻辑
用户请求
↓
[关键词检测] + [意图分析]
↓
├─→ [角色模板] → 模板库
├─→ [学习技术] → 学习系统
├─→ [优化提示] → 优化器
└─→ [综合需求] → 协同工作流
💡 最佳实践
1. 渐进式学习
入门：模板库 + 基础技术
进阶：优化技术 + 进阶技术
专家：组合技术 + 自定义工作流
2. 迭代优化
第一版：使用模板快速开始
第二版：根据反馈微调
第三版：应用优化技术
最终版：多次迭代后的高质量版本
3. 建立个人库
my-prompts/
├── templates/ # 常用模板
├── optimized/ # 优化后的提示词
└── cases/ # 实战案例
📊 技术速查表
| 技术 | 难度 | 适用场景 | 触发词 |
|---|
| 角色扮演 | ⭐ | 专业任务 | "扮演", "你是" |
| 逐步思考 | ⭐ | 复杂推理 | "一步步", "分析" |
| 示例驱动 | ⭐⭐ | 格式不明确 | "例如", "像这样" |
| 结构化输出 | ⭐ | 需要格式 | "JSON", "表格" |
| 思维树 | ⭐⭐⭐ | 多方案对比 | "考虑多种可能" |
| 自我反思 | ⭐⭐ | 质量要求高 | "检查", "改进" |
| ReAct | ⭐⭐⭐⭐ | 复杂推理循环 | "思考→行动→观察" |
📚 参考文档
详细内容请查看：
- 模板库完整列表：
references/templates.md
- 技术详解：
references/techniques.md
- 优化方法：
references/optimizer.md
- 工作流案例：
references/workflows.md
🎯 使用场景
场景 1：快速启动角色对话
你："扮演一个Python专家，帮我调试代码"
→ Prompt Master：加载模板 + 优化上下文
→ 输出：专业的Python开发者角色提示词
场景 2：学习新技术
你："什么是Few-shot learning？给我例子"
→ Prompt Master：解释技术 + 提供案例 + 推荐练习
→ 输出：完整的技术教程和实战案例
场景 3：优化提示词
你："优化：帮我写文章"
→ Prompt Master：评估质量 + 识别技术 + 生成优化版
→ 输出：结构化、具体化的高质量提示词
场景 4：综合需求
你："帮我创建一个数据分析助手提示词"
→ Prompt Master：
1. 从模板库找到 "Data Analyst" 角色
2. 应用学习系统的技术和最佳实践
3. 用优化器增强和定制
→ 输出：专业定制的数据分析助手提示词
⚙️ 技术细节
版本信息
- 版本: 1.0.0
- 创建日期: 2026-01-30
- 整合技能: chatgpt-prompts, prompt-learning-assistant, prompt-optimizer
- 总模板数: 50+
- 总技术数: 58+
- 评估维度: 6
来源
🎓 进阶使用
自定义工作流
创建多步骤协同工作流：
步骤 1: 使用模板库获取基础模板
步骤 2: 学习系统提供技术指导
步骤 3: 优化器进行质量提升
步骤 4: 迭代测试和改进
步骤 5: 保存到个人库
技术组合
常见高效组合：
写作任务：
角色扮演 + 逐步思考 + 约束条件
分析任务：
结构化输出 + 示例驱动 + 自我反思
创作任务：
角色扮演 + 思维树 + 风格迁移
推理任务：
ReAct + 提示词链 + 自我反思
✨ 特性亮点
- ✅ 智能路由：自动识别意图，无需手动选择
- ✅ 零门槛：初学者可直接使用模板
- ✅ 系统化：完整的学习路径从入门到专家
- ✅ 高效优化：6 维度评估提升提示词质量
- ✅ 实战导向：所有技术都有真实案例
- ✅ 持续进化：整合最新技术进展
提示：Prompt Master 会自动识别你的需求。你可以自然地描述你的需求，无需记住特定的命令格式。
开始你的提示词工程之旅！🚀
