learnwy/prompt-optimizer

提示词优化器

飞行前提示词检查器，在发送给 AI 系统之前分析、评价并改进提示词。充当教练角色——通过展示 7 个关键维度上的可改进之处，教会用户写出更好的提示词。

核心原则：先分析再行动。此技能在对话开始时调用，当用户的消息看起来像是给 AI 系统的提示词或指令时。先分析，再改进，最后由用户决定。

前置条件

• 无运行时依赖（纯方法论技能，无脚本）
• 适用于任何提示词——代码生成、写作、分析、创意任务

使用场景

触发条件：

• 用户说"optimize my prompt"、"improve this prompt"、"check my prompt"、"review my prompt"
• 用户说"make this more specific"、"help me write a better prompt"
• 用户提供原始需求并请求帮助完善
• 用户准备向 AI 发送大段指令，想先获得反馈

不触发条件：

• 用户在进行普通对话
• 用户要求 AI 执行某件事（而非改进提示词）
• 输入明显是代码、文件路径或技术命令

7 维度分析框架

每个提示词都从以下 7 个维度进行分析：

| 维度 | 检查内容 | |------|----------| | 清晰度 | 意图是否明确？是否有模糊词（好的、不错的、合适的等）？ | | 具体性 | 是否有具体约束（格式、长度、受众、语调）？ | | 上下文 | 是否提供了背景/角色/场景？ | | 结构 | 是否逻辑组织？步骤是否有序？ | | 示例 | 是否在需要时包含输入/输出示例？ | | 约束 | 是否定义了边界（不该做什么、边界情况）？ | | 完整性 | AI 能否在第一次尝试就产出正确输出？ |

每个维度的评分：

• ✅ 强 — 覆盖良好，无需操作
• ⚠️ 弱 — 部分涉及，可以改进
• ❌ 缺失 — 完全未涉及，必须补充

工作流

[1. 接收草稿提示词]
       ↓
[2. 维度分析] → 对每个维度评分（✅ 强 / ⚠️ 弱 / ❌ 缺失）
       ↓
[3. 展示评价卡片] → 带评分的结构化报告
       ↓
[4. 建议改进] → 对每个弱项维度给出具体重写
       ↓
[5. 展示优化后的提示词] → 完整重写版本
       ↓
[6. 用户决策] → 使用原版 / 使用优化版 / 手动编辑

响应格式

分析提示词时，始终按此精确结构响应：

## 🔍 提示词分析

**综合评分: {X}/7 个维度为强**

| 维度 | 评分 | 备注 |
|------|------|------|
| 清晰度 | ✅/⚠️/❌ | {简要说明} |
| 具体性 | ✅/⚠️/❌ | {简要说明} |
| 上下文 | ✅/⚠️/❌ | {简要说明} |
| 结构 | ✅/⚠️/❌ | {简要说明} |
| 示例 | ✅/⚠️/❌ | {简要说明} |
| 约束 | ✅/⚠️/❌ | {简要说明} |
| 完整性 | ✅/⚠️/❌ | {简要说明} |

### 优点
{优势要点}

### 可改进之处
{对每个 ⚠️/❌ 维度：具体问题 + 具体修复建议}

## ✨ 优化后的提示词

{包含所有改进的完整重写版本}

---
**所做更改：**
{编号列表说明修改了什么及原因}

展示分析后，询问用户：使用原版 / 使用优化版 / 手动编辑？

英语学习联动

优化完成后，自动触发 english-learner 技能的英语学习：

1. 检查用户原始中文表达是否有语法错误、错字或别扭用法——若有，先展示纠正
2. 从优化后的提示词中提取 2-3 个高价值英文词汇/表达
3. 对比用户原始表达和优化后的表达，指出用词提升之处
4. 自动通过 batch_save 保存所有新词汇到词库（无需询问用户）

格式：

🌐 **英语学习**

**中文纠正：**（仅在发现问题时展示）
| 原文 | 纠正 | 说明 |
|------|------|------|
| {错误} | {修正} | {原因} |

**提示词精选词汇：**
| 你的表达 | 优化表达 | 为什么更好 |
|----------|----------|-----------|
| {原词} | {improved} | {简要说明} |

💾 已自动保存到词库

规则：

• 仅在提示词含中文或用户是中文母语者时触发
• 先纠正中文问题，再展示英文提升
• 聚焦「如何用英文更精确地描述意图」的学习价值
• 直接保存，无需用户确认

提示词改进模式

改进弱项维度时可参考的模式：

1. 模糊 → 具体

• 改前: "写好代码"
• 改后: "写 TypeScript 代码，要求显式返回类型，不使用 any，每个函数不超过 20 行"

2. 缺少上下文 → 有上下文

• 改前: "翻译一下"
• 改后: "将这段营销文案从中文翻译成英文，保持轻松的语调，面向 Z 世代受众"

3. 无示例 → 有示例

• 改前: "格式化数据"
• 改后: "格式化数据为：输入：{raw} → 输出：| col1 | col2 |"

4. 无结构 → 有结构

• 改前: 混杂多种关注点的大段文字
• 改后: 带有清晰序号和分组的有序步骤

5. 无约束 → 有边界

• 改前: "写一篇文章"
• 改后: "写一篇 500 字的文章，不用术语，8 年级阅读水平，包含 3 个示例"

6. 缺少角色 → 有角色锚定

• 改前: "解释 X"
• 改后: "以资深后端工程师向初级开发者解释的角度，解释 X"

错误处理

| 问题 | 解决方案 | |------|----------| | 提示词已经很强（6-7/7） | 说"您的提示词已经结构良好！"并仅建议微调 | | 提示词太短无法分析 | 请用户提供更多关于目标的上下文 | | 用户拒绝优化版本 | 尊重其选择，使用原始提示词继续 |

执行检查清单

响应前确认：

• [ ] 所有 7 个维度已分析
• [ ] 已分配评分并附简要说明
• [ ] 已认可优点（不只是批评）
• [ ] 每个弱项维度有具体、可操作的修复建议
• [ ] 已提供完整的优化后提示词
• [ ] 已明确列出更改内容
• [ ] 已给用户选择：接受/拒绝/编辑

Hooks

本技能注册 IDE hook，使飞行前分析确定性触发——AI 不需要记住去调用它。

作用域

全局 — 安装到 ~/.claude/settings.json 和 ~/.trae/hooks.json（无项目级状态）。

事件

| 事件 | 脚本 | 用途 | |------|------|------| | UserPromptSubmit | scripts/hooks/user-prompt-scan.cjs | 检测提示词形态的输入并注入 7 维度审查提醒 |

触发策略（三级模式）

hook 现在在所有 prose 输入上触发（仅跳过代码、文件路径、shell 命令和 ≤7 字符的极短输入）：

1. 显式请求（explicit） — 消息包含 optimize / improve / review / rewrite / check / refine my prompt、make this prompt more X，或中文等效词 优化提示词 / 改进提示词 / 重写提示词。输出：完整 7 维分析 + Optimized Prompt 块。
2. 结构化提示词形态（structured） — 消息 ≥400 字符、≥4 行，且包含 ≥2 个标记如 you are、your task is、act as、instructions:、constraints:、output format:。输出：完整 7 维分析 + Optimized Prompt 块。
3. 轻量模式（light） — 其他所有 prose 输入（短对话、闲聊式问题）。输出：仅 1 行——挑出 7 维里最弱的那个并给一条具体改写建议；若 7 维都过关，固定渲染 "✨ Prompt-opt: already clear, no rewrite needed." 然后继续任务。

事件日志（~/.learnwy/prompt-optimizer/events.jsonl）会记录 trigger 类型（explicit / structured / light），可用 cli.cjs trends 查看分布。

安装

node scripts/cli.cjs install --scope global --target both

卸载

node scripts/cli.cjs uninstall --scope global --target both