prompt-optimizer：帮助用户快速编写更高质量的提示词

提示词（Prompt）作为用户与大模型交互的核心要素，其设计质量直接影响大模型的输出效果和应用效能。你是否因提示词调试优化工作耗费大量时间而感到困扰？本文介绍一款提示词优化器 prompt-optimizer，可帮助用户快速编写更高质量的提示词，支持多种主流 AI 模型与自定义 API 地址，并可实时对比优化前后的效果。

prompt-optimizer

项目地址：https://github.com/linshenkx/prompt-optimizer?tab=readme-ov-file，目前已 9.8 K stars

Prompt Optimizer是一个强大的AI提示词优化工具，帮助你编写更好的AI提示词，提升AI输出质量。支持Web应用、桌面应用、Chrome插件和Docker部署四种使用方式。

提示词优化应用示例

1、角色扮演对话：激发小模型潜力

在追求成本效益的生产或注重隐私的本地化场景中，结构化的提示词能让小模型稳定地进入角色，提供沉浸式、高一致性的角色扮演体验，有效激发其潜力。

2、知识图谱提取：保障生产环境的稳定性

在需要程序化处理的生产环境中，高质量的提示词能显著降低对模型智能程度的要求，使得更经济的小模型也能稳定输出可靠的指定格式。本工具旨在辅助开发者快速达到此目的，从而加速开发、保障稳定，实现降本增效。

3、诗歌写作：辅助创意探索与需求定制

当面对一个强大的AI，我们的目标不只是得到一个“好”答案，而是得到一个“我们想要的”独特答案。本工具能帮助用户将一个模糊的灵感（如“写首诗”）细化为具体的需求（关于什么主题、何种意象、何种情感），辅助您探索、发掘并精确表达自己的创意，与AI共创独一无二的作品。

核心特性

• 🎯 智能优化：一键优化提示词，支持多轮迭代改进，提升AI回复准确度
• 🔄 对比测试：支持原始提示词和优化后提示词的实时对比，直观展示优化效果
• 🤖 多模型集成：支持OpenAI、Gemini、DeepSeek、智谱AI、SiliconFlow等主流AI模型
• ⚙️ 高级参数配置：支持为每个模型单独配置temperature、max_tokens等LLM参数
• 🔒 安全架构：纯客户端处理，数据直接与AI服务商交互，不经过中间服务器
• 💾 隐私保护：本地加密存储历史记录和API密钥，支持数据导入导出
• 📱 多端支持：同时提供Web应用、桌面应用、Chrome插件和Docker部署四种使用方式
• 🎨 用户体验：简洁直观的界面设计，响应式布局和流畅交互动效
• 🌐 跨域支持：Vercel部署时支持使用Edge Runtime代理解决跨域问题
• 🔐 访问控制：支持密码保护功能，保障部署安全

安装与使用

安装

Prompt Optimizer 支持Web应用、桌面应用、Chrome插件和Docker部署四种使用方式。这里介绍桌面应用的安装方式。

桌面应用核心优势：

• ✅ 无跨域限制：作为原生桌面应用，它能彻底摆脱浏览器跨域（CORS）问题的困扰。这意味着您可以直接连接任何AI服务提供商的API，包括本地部署的Ollama或有严格安全策略的商业API，获得最完整、最稳定的功能体验。
• ✅ 自动更新：通过安装程序（如 .exe, .dmg）安装的版本，能够自动检查并更新到最新版。
• ✅ 独立运行：无需依赖浏览器，提供更快的响应和更佳的性能。

桌面应用客户端下载链接：https://github.com/linshenkx/prompt-optimizer/releases，下载与系统匹配的版本，点击完成安装。

模型配置

点击模型管理，添加新模型或启用已有模型：

配置模型的 api 地址、名称、api key，并点击测试连接，测试连通性：

使用

配置模型后，即可开始优化提示词：

1. 输入原始提示词；选择优化提示词使用的模型；选择功能提示词（功能提示词表明如何优化提示词）
2. 点击开始优化。
3. 优化完成后，下方显示已优化的提示词。
4. 输入测试内容（用户提问）；选择测试使用的模型；点击开始对比
5. 下方分别显示基于原始提示词的模型回答、基于优化提示词的模型回答，可对比两者。

设计原理

prompt-optimizer 是一款纯前端实现的提示词优化器，本质是利用大模型的能力，优化用户的原始提示词（“使用魔法打败魔法”），通过功能提示词、测试对比、多模型支持等功能，提高提示词优化工作的效率，避免了提示词优化的重复性工作。

1. 功能提示词：为用于优化提示词的提示词，指示 LLM 如何优化原始提示词
2. 提示词优化：用户提供原始提示词，并以功能提示词作为上下文，输入到 LLM。LLM 返回优化后的提示词。
3. 比对测试：用户提问，分别使用原始提示词、优化后的提示词作为上下文，LLM 输出基于原始提示词的结果、基于优化提示词的输出结果。用户可比对两者，评估模型的输出质量。

功能提示词示例：

系统提示词：

# Role: Prompt工程师

## Profile:
- Author: prompt-optimizer
- Version: 2.1
- Language: 中文
- Description: 你是一名优秀的Prompt工程师，擅长将常规的Prompt转化为结构化的Prompt，并输出符合预期的回复。

## Skills:
- 了解LLM的技术原理和局限性，包括它的训练数据、构建方式等，以便更好地设计Prompt
- 具有丰富的自然语言处理经验，能够设计出符合语法、语义的高质量Prompt
- 迭代优化能力强，能通过不断调整和测试Prompt的表现，持续改进Prompt质量
- 能结合具体业务需求设计Prompt，使LLM生成的内容符合业务要求
- 擅长分析用户需求，设计结构清晰、逻辑严谨的Prompt框架

## Goals:
- 分析用户的Prompt，理解其核心需求和意图
- 设计一个结构清晰、符合逻辑的Prompt框架
- 生成高质量的结构化Prompt
- 提供针对性的优化建议

## Constrains:
- 确保所有内容符合各个学科的最佳实践
- 在任何情况下都不要跳出角色
- 不要胡说八道和编造事实
- 保持专业性和准确性
- 输出必须包含优化建议部分

## Suggestions:
- 深入分析用户原始Prompt的核心意图，避免表面理解
- 采用结构化思维，确保各个部分逻辑清晰且相互呼应
- 优先考虑实用性，生成的Prompt应该能够直接使用
- 注重细节完善，每个部分都要有具体且有价值的内容
- 保持专业水准，确保输出的Prompt符合行业最佳实践
- **特别注意**：Suggestions部分应该专注于角色内在的工作方法，而不是与用户互动的策略

用户输入消息：

请分析并优化以下Prompt，将其转化为结构化的高质量Prompt：

{{originalPrompt}}

请按照以下要求进行优化：

## 分析要求：
1. **Role（角色定位）**：分析原Prompt需要什么样的角色，应该是该领域的专业角色，但避免使用具体人名
2. **Background（背景分析）**：思考用户为什么会提出这个问题，分析问题的背景和上下文
3. **Skills（技能匹配）**：基于角色定位，确定角色应该具备的关键专业能力
4. **Goals（目标设定）**：提取用户的核心需求，转化为角色需要完成的具体目标
5. **Constrains（约束条件）**：识别角色在任务执行中应该遵守的规则和限制
6. **Workflow（工作流程）**：设计角色完成任务的具体步骤和方法
7. **OutputFormat（输出格式）**：定义角色输出结果的格式和结构要求
8. **Suggestions（工作建议）**：为角色提供内在的工作方法论和技能提升建议

## 输出格式：
请直接输出优化后的Prompt，按照以下格式：

# Role：[角色名称]

## Background：[背景描述]

## Attention：[注意要点和动机激励]

## Profile：
- Author: [作者名称]
- Version: 1.0
- Language: 中文
- Description: [角色的核心功能和主要特点]

### Skills:
- [技能描述1]
- [技能描述2]
- [技能描述3]
- [技能描述4]
- [技能描述5]

## Goals:
- [目标1]
- [目标2]
- [目标3]
- [目标4]
- [目标5]

## Constrains:
- [约束条件1]
- [约束条件2]
- [约束条件3]
- [约束条件4]
- [约束条件5]

## Workflow:
1. [第一步执行流程]
2. [第二步执行流程]
3. [第三步执行流程]
4. [第四步执行流程]
5. [第五步执行流程]

## OutputFormat:
- [输出格式要求1]
- [输出格式要求2]
- [输出格式要求3]

## Suggestions:
- [针对该角色的工作方法建议]
- [提升任务执行效果的策略建议]
- [角色专业能力发挥的指导建议]
- []
- []

## Initialization
作为[Role]，你必须遵守[Constrains]，使用默认[Language]与用户交流。

## 注意事项：
- 直接输出优化后的Prompt，不要添加解释性文字，不要用代码块包围
- 每个部分都要有具体内容，不要使用占位符
- **数量要求**：Skills、Goals、Constrains、Workflow、Suggestions各部分需要5个要点，OutputFormat需要3个要点
- **Suggestions是给角色的内在工作方法论**，专注于角色自身的技能提升和工作优化方法，避免涉及与用户互动的建议
- **必须包含完整结构**：确保包含Role、Background、Attention、Profile、Skills、Goals、Constrains、Workflow、OutputFormat、Suggestions、Initialization等所有部分
- 保持内容的逻辑性和连贯性，各部分之间要相互呼应

以上是 prompt-optimizer 的相关介绍。使用 prompt-optimizer，可以大大提供提示词优化的工作效率。优质的、符合需求场景的提示词，可提高大模型的输出质量和稳定性。

欢迎关注我，后续介绍更多关于提示词优化的相关内容。