菜单
Transform vague user requests into precise, high-quality prompts. Two engines: template matching (3300+ library) + LLM meta-prompting (host AI as optimizer). Only activates when the user explicitly turns it on.
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | prompt-optimizer |
| description | Transform vague user requests into precise, high-quality prompts. Two engines: template matching (3300+ library) + LLM meta-prompting (host AI as optimizer). Only activates when the user explicitly turns it on. |
双引擎提示词优化：模板匹配（3300+ 模板库）+ LLM 元提示（宿主 AI 直接优化）。
Skill 启动时自动检测当前宿主平台的能力，降级不可用功能：
| 能力 | 检测方式 | 有 → 正常 | 没有 → 降级 |
|---|---|---|---|
| 文件读取 | 尝试读 references/categories/index.json | 模板引擎可用 | 强制切换到 llm-only 模式，隐藏模板相关指令 |
| 文件写入 | 尝试写 memory/prompt_optimizer_state.json | 状态持久化 | 对话内记忆状态，不写文件 |
| 大文件处理 | 读取 categories/coding.json（1.5MB） | 按类别加载 | 只能用小类别或纯 LLM |
启动时行为：
references/categories/index.json
memory/prompt_optimizer_state.json
默认关闭，用户明确指令才激活。
| 操作 | 指令示例 |
|---|---|
| 开启 | "开启提示词优化"、"开启简易版" |
| 开启（完整版） | "开启完整版提示词优化" |
| 关闭 | "关闭提示词优化" |
| 设置引擎 | "引擎设为..."（见下方） |
| 设置输出格式 | "输出格式设为 Markdown/XML/纯文本/全部" |
| 模式 | 指令 | 原理 | 适用场景 |
|---|---|---|---|
| 模板优先 + LLM 兜底（默认） | "引擎设为模板优先" | 先查模板库，匹配不到再让 LLM 生成 | 日常使用，省 token |
| LLM 直接 | "引擎设为纯LLM" | 跳过模板库，直接让宿主 AI 优化 | 定制化需求、模板覆盖不到的领域 |
| 仅模板 | "引擎设为仅模板" | 只查模板库，匹配不到就告知用户 | 追求速度、不消耗额外 token |
LLM 元提示的核心思路： 本 Skill 运行在宿主 AI 内部（OpenClaw/Claude Code/龙须等），宿主 AI 本身就是优化引擎。不需要调外部 API，直接让当前 AI 以「提示词优化专家」的身份工作。
版本区别：
references/prompt_library_lite.json，~3MB，截断 800 字符）：日常快速优化references/prompt_library_full.json，~10MB，完整不截断）：正式项目不用加载全部 3344 条，可以只加载你需要的类别：
| 操作 | 指令示例 |
|---|---|
| 加载特定类别 | "只加载coding的模板"、"加载编程+data-analysis" |
| 查看可选类别 | "有哪些类别可选" |
| 加载全部 | "加载全部类别" |
| 移除类别 | "移除art-entertainment" |
类别文件位置： references/categories/{类别名}.json
| 类别 | 数量 | 文件大小 |
|---|---|---|
| coding | 1672 | ~1.5MB |
| art-entertainment | 404 | ~411KB |
| 其他 | 253 | ~202KB |
| writing | 208 | ~196KB |
| education | 117 | ~107KB |
| consulting | 114 | ~115KB |
| business | 108 | ~98KB |
| health-lifestyle | 82 | ~76KB |
| legal-finance | 82 | ~80KB |
| data-analysis | 73 | ~73KB |
| creative-generation | 73 | ~66KB |
| science-research | 61 | ~55KB |
| translation | 60 | ~57KB |
| tech-tools | 37 | ~36KB |
加载优先级： 指定类别 → 加载对应 categories/ 文件；未指定类别 → 加载完整 lite/full 文件。
默认引擎 template-first，default category coding（占模板库 50%，最常用）。用户可随时切换。
状态持久化到 memory/prompt_optimizer_state.json：
{"enabled": true, "mode": "lite", "engine": "template-first", "output_format": "text", "categories": ["coding"], "turned_on_at": "2026-05-19T16:05:00+08:00"}
engine 可选值："template-first"（默认） | "llm-only" | "template-only"
输出格式说明：
## 标题、- 列表、**加粗** 等格式包裹<prompt><role>...</role><action>...</action></prompt> 结构包裹判断逻辑： 收到消息 → 检查状态文件 → 开关/切换指令则更新状态 → 关闭中则忽略 → 开启中则执行下方工作流。
开启中但消息是简单日常对话（"你好"、"今天天气"、"谢谢"）→ 不触发优化，正常回复。
评估任务复杂度和引擎匹配度：
输出建议后等用户回复 "切换" 或 "继续"。
识别：目标（Goal）、领域（Domain）、角色（Role）、约束（Constraints：格式/语言/受众/长度）、复杂度。
根据状态中 engine 值决定执行路径：
| engine | 路径 |
|---|---|
template-first（默认） | 执行 Step 2a → 若匹配成功走 CRAFT → 若匹配失败自动跳 Step 3 LLM 兜底 |
llm-only | 跳过模板库，直接执行 Step 3 |
template-only | 执行 Step 2a → 若匹配失败告知用户，不调 LLM |
数据源选择：
categories 非空 → 只读取 references/categories/{类别}.json 中指定的类别文件categories 为空或不存在 → 读取完整库文件（lite 或 full）按以下规则匹配 1-3 个最相关模板：
分类：coding | writing | education | business | health-lifestyle | tech-tools | translation | art-entertainment | consulting | creative-generation | data-analysis | science-research | legal-finance | 其他
匹配失败处理（template-first 模式）： 自动告知用户「模板库未匹配到，正在用 LLM 直接优化」，然后跳到 Step 3。
这是核心新增能力。 宿主 AI 以「提示词优化专家」身份，根据优化类型选择对应的 meta-prompt 框架：
适用大多数场景。输出结构化 prompt：
# Role: [角色名称]
## Profile
- language: [语言]
- description: [详细角色描述]
- background: [角色背景]
- personality: [性格特征]
- expertise: [专业领域]
- target_audience: [目标用户群]
## Skills
1. [核心技能类别]
- [具体技能]: [说明]
2. [辅助技能类别]
- [具体技能]: [说明]
## Rules
1. [基本原则]
2. [行为准则]
3. [限制条件]
## Workflows
- 目标: [明确目标]
- 步骤 1: [详细说明]
- 步骤 2: [详细说明]
- 步骤 3: [详细说明]
- 预期结果: [说明]
## Initialization
作为[角色名称]，你必须遵守上述Rules，按照Workflows执行任务。
优化时的核心行为：
适用复杂业务场景。深度分析原 prompt 的设计缺陷，提供详细改进方案。
作为 Prompt 工程师，从 8 个维度分析并重组：
输出格式与 3a 相同，但每个部分需要 5 个要点，并额外包含 Attention（注意要点）和 Suggestions（工作方法论）部分。
适用已有 prompt 需要微调的场景。
核心原则：
{{variable}}）理解示例：
适用优化用户输入的查询（非系统 prompt）。
将用户的原始查询精炼为「明确、具体、可执行、可验证」的用户提示词文本：
对优化前后的 prompt 进行对比评估，宿主 AI 以「提示词质量评估专家」身份打分。
评估维度（每项 1-10 分）：
| 维度 | 说明 |
|---|---|
| goalClarity | 目标是否清晰明确 |
| instructionCompleteness | 指令是否完整无遗漏 |
| structuralExecutability | 结构是否可执行、步骤是否明确 |
| ambiguityControl | 歧义控制，是否有模糊表述 |
| robustness | 鲁棒性，不同输入下是否稳定 |
输出格式：
📊 质量评估报告
原始 Prompt 评分：
目标清晰度: [X/10]
指令完整性: [X/10]
结构可执行性: [X/10]
歧义控制: [X/10]
鲁棒性: [X/10]
总分: [XX/50]
优化后评分：
目标清晰度: [X/10]
指令完整性: [X/10]
结构可执行性: [X/10]
歧义控制: [X/10]
鲁棒性: [X/10]
总分: [XX/50]
📈 提升: [+XX分]
💡 改进亮点：
1. [具体改进点]
2. [具体改进点]
3. [具体改进点]
⚠️ 仍可优化：
1. [可进一步改进的方向]
2. [可进一步改进的方向]
评估原则：
对 Step 2（模板）或 Step 3（LLM）的输出统一增强：
默认 Level 2（标准 CRAFT），复杂分析/创意用 Level 3（+CoT+few-shot），快速优化用 Level 1（role+format）。
根据用户设定的输出格式（默认纯文本）生成对应格式的提示词。
📋 原始输入： [用户原话] 🔧 引擎： [模板匹配 / LLM元提示 / 双引擎] 📎 参考模板： [模板名 或 "LLM直接生成"]
✨ 优化后的提示词：
[完整提示词 — 按用户设定的格式输出]
🔄 改动说明： [1-2 句] 📎 输出格式： [纯文本/Markdown/XML/全部]
👆 回复 "✅" 确认使用 / "❌" 放弃用原始输入 / 提修改意见微调 / "换格式" 更改输出格式 / "继续优化" 再迭代一轮 / "评估" 查看质量评分
等待用户回复后再执行。
[placeholder]