📦 Skylv Prompt Optimization Tool — Skylv Prompt Optimization 工具

AI Prompt 优化器 — 提示词自动优化器 功能说明

基于 A/B 测试和性能数据，自动优化 AI 提示词，提升输出质量并降低 令牌 消耗。让提示词工程从"艺术"变成"科学"。

核心能力

• 提示词分析 (Prompt Analysis)

analysis_dimensions: - clarity: 清晰度（指令是否明确） - specificity: 具体性（是否有足够细节） - structure: 结构化（是否有清晰格式） - examples: 示例（是否有 few-shot 示例） - constrAInts: 约束（是否有输出限制） - tone: 语气（是否适合场景）

scoring: - overall_score: 0-100 - dimension_scores: 各维度分数 - improvement_areas: 需改进的方面

使用示例：

用户：分析这个提示词的质量 代理: 1. 多维度评分 2. 识别问题点 3. 提供改进建议

• A/B 测试 (A/B 测试)

test_设置up: - variants: 2-5 个提示词变体 - sample_size: 每个变体 100+ 次测试 - 指标: 质量评分、令牌 消耗、用户满意度 - duration: 7-14 天

指标_追踪ed: - 输出_质量: 输出质量（1-5 分） - 令牌_efficiency: 令牌 效率 - user_satisfaction: 用户满意度 - task_completion: 任务完成率

使用示例：

用户：为这个提示词运行 A/B 测试 代理: 1. 生成 3 个变体 2. 分配流量（33% each） 3. 收集性能数据 4. 选出最优版本

• 自动优化 (Auto Optimization)

optimization_techniques: - prompt_压缩ion: 压缩冗余内容 - structure_添加ition: 添加结构化格式 - example_injection: 注入 few-shot 示例 - constrAInt_refinement: 优化约束条件 - tone_adjustment: 调整语气风格

expected_improvements: - 令牌_reduction: 30-60% - 质量_improvement: 20-40% - consistency: 提升 50%+

使用示例：

用户：优化这个提示词 代理: 1. 分析当前版本 2. 应用优化技术 3. 输出优化版本 4. 对比性能数据

• 提示词库 (Prompt 库)

categories: - writing: 写作类 - coding: 编程类 - analysis: 分析类 - creative: 创意类 - business: 商业类

features: - 搜索: 关键词搜索 - 过滤器: 按类别/评分筛选 - rating: 社区评分 - versioning: 版本历史

优化框架 BEFORE → AFTER 对比

❌ 低效提示词：

帮我写一个 Python 函数，要能处理各种情况， 考虑周全一点，输出要好。

✅ 优化后：

# 角色 Python 高级开发工程师

# 任务 编写一个数据验证函数

# 输入

• data: dict，待验证数据
• 模式: dict，验证规则

# 输出

• valid: bool，是否通过验证
• errors: 列出，错误列表（如有）

# 约束

• 使用 type hints
• 添加 docstring
• 包含单元测试示例
• 处理边界情况

# 示例 输入：{"name": "John", "age": 25} 输出：{"valid": True, "errors": []}

效果对比：

指标 Before After 提升 令牌 消耗 800 450 -44% 输出质量 3.2/5 4.6/5 +44% 一致性 60% 92% +53% 优化技巧清单

• 角色定义

❌ "你是一个助手" ✅ "你是拥有 10 年经验的资深 Python 工程师，擅长编写生产级代码"

• 任务明确

❌ "帮我处理这个" ✅ "分析以下数据，输出 3 个关键洞察，每个洞察包含数据支撑"

• 输出格式

❌ "输出结果" ✅ "以 JSON 格式输出，包含 keys: summary, insights, recommendations"

• 添加示例

❌ 无示例 ✅ "输入示例：... 期望输出：..."

• 约束条件

❌ 无约束 ✅ "不超过 500 字，使用专业术语，避免口语化" 工具函数 analyze_prompt def analyze_prompt(prompt: str) -> dict: """ 提示词分析 Args: prompt: 待分析提示词 Returns: { "overall_score": 65, "dimensions": { "clarity": 70, "specificity": 55, "structure": 60, "examples": 40, "constrAInts": 50 }, "issues": [ "缺少角色定义", "输出格式不明确", "没有示例" ], "suggestions": [ "添加专业角色定义", "指定 JSON 输出格式", "添加 few-shot 示例" ] } """

优化_prompt def 优化_prompt(prompt: str, goal: str = "质量") -> dict: """ 提示词优化 Args: prompt: 原始提示词 goal: 优化目标 (质量|令牌s|speed) Returns: { "original": {...}, "优化d": "优化后的提示词", "changes": ["添加角色", "结构化", "添加示例"], "expected_improvement": { "质量": "+35%", "令牌s": "-40%", "consistency": "+50%" } } """

运行_ab_test def 运行_ab_test(base_prompt: str, variants: 列出, iterations: int = 100) -> dict: """ A/B 测试 Args: base_prompt: 基础提示词 variants: 变体列表 iterations: 测试次数 Returns: { "winner": "variant_2", "结果s": [ {"variant": "base", "score": 3.8, "令牌s": 500}, {"variant": "v1", "score": 4.1, "令牌s": 450}, {"variant": "v2", "score": 4.6, "令牌s": 420} ], "statistical_签名ificance": 0.95 } """

生成_variants def 生成_variants(prompt: str, count: int = 5) -> 列出: """ 生成提示词变体 Args: prompt: 原始提示词 count: 生成数量 Returns: [ {"id": "v1", "prompt": "...", "changes": ["添加角色"]}, {"id": "v2", "prompt": "...", "changes": ["结构化"]}, ... ] """

提示词模板库 写作类 template: b记录_post prompt: | # 角色 资深内容创作者，10 年科技博客经验

# 任务 撰写一篇关于{主题}的博客文章

# 要求 - 字数：2000-2500 字 - 结构：引言 + 3-5 个主体段落 + 结论 - 语气：专业但易懂 - 包含：实际案例、数据支撑、行动建议

# 输出格式 Markdown，包含 H2/H3标题、列表、引用块

编程类 template: code_review prompt: | # 角色 资深代码审查工程师，精通{语言}

# 任务 审查以下代码，输出审查报告

# 审查维度 1. 代码质量（命名、结构、注释） 2. 安全性（OWASP Top 10） 3. 性能（时间/空间复杂度） 4. 可维护性（测试、文档）

# 输出格式 JSON: { "issues": [{"severity": "high|medium|low", "description": "...", "fix": "..."}], "score": 0-100, "summary": "..." }

分析类 template: data_analysis prompt: | # 角色 数据科学家，擅长商业洞察

# 任务 分析以下数据集，输出商业洞察

# 分析框架 1. 描述性统计（均值、中位数、分布） 2. 趋势分析（同比、环比） 3. 异常检测（离群值、异常模式） 4. 商业建议（可行动洞察）

# 输出格式 Markdown 报告，包含图表描