Prompt Optimizer 深度拆解：开源提示词工程工具的全栈野心

> **研究对象**：linshenkx/prompt-optimizer > **版本**：v2.10.1（2026年4月） > **协议**：AGPL-3.0 > **在线体验**：https://prompt.always200.com > **GitHub**：https://github.com/linshenkx/prompt-optimizer --- ## 一、它到底想解决什么问题 如果你用过 ChatGPT、Claude 或者任何大模型，一定经历过这种时刻：你花了十分钟精心雕琢一段提示词，结果输出还是跑偏。你加一句限制，它忘了前面的要求。你换个说法，它又理解错了重点。 这不是模型的问题——至少不全是。**这是提示词工程（Prompt Engineering）的核心困境：人类的意图和模型的理解之间，隔着一道天然的鸿沟。** prompt-optimizer 的作者 linshenkx 显然被这个困境折磨过太多次。他的解决方案不是写一本《提示词编写指南》，而是造了一套**完整的工具链**：从提示词的生成、优化、测试、评估到资产管理，全部覆盖。 ### 1.1 核心痛点拆解 | 痛点 | 传统做法 | prompt-optimizer 的做法 | |------|---------|--------------------------| | 提示词质量不稳定 | 凭经验反复试错 | 智能优化 + 多轮迭代 | | 不知道优化后有没有变好 | 肉眼对比 | A/B 对比评估 + 评分体系 | | 好提示词用完就丢 | 散落在聊天记录里 | 资产化管理 + 版本历史 | | 多模型适配困难 | 每个平台重新调 | 统一适配层 + 一次配置处处可用 | | 数据隐私顾虑 | 数据经过第三方服务器 | 纯前端处理，直连服务商 | ### 1.2 一句话定位 prompt-optimizer 不是又一个"提示词模板网站"。它是一个**全功能 AI Prompt 工程化工具**，试图把提示词从"手艺活"变成"工程活"。 --- ## 二、技术架构：Monorepo 的六边形战士 ### 2.1 整体架构图 ``` packages/core ← 业务逻辑核心（LLM通信、存储、模型注册、评估） ↓ packages/ui ← Vue 3 组件层（Naive UI、Pinia、i18n、路由） ↓ packages/web ← Web 应用壳（Vite） ↓ packages/desktop ← Electron 桌面应用 ↓ packages/extension ← Chrome 扩展 ↓ packages/mcp-server ← MCP 协议服务器 ``` **关键设计原则**：core 和 ui 是"库"，web/desktop/extension 是"应用"。一次开发，处处运行。 ### 2.2 六包分工详解 | 包名 | 职责 | 技术要点 | |------|------|---------| | **core** | 全部业务逻辑 | TypeScript 纯逻辑，无 Vue 依赖；Provider-Adapter-Registry 模式；StorageFactory 多环境适配 | | **ui** | 可复用 UI 层 | Vue 3 Composition API、Naive UI 主题、Pinia stores、vue-i18n | | **web** | Web 应用入口 | 极薄壳，App.vue 直接渲染 `<PromptOptimizerApp />` | | **desktop** | 桌面应用 | Electron 主进程、preload 脚本、IPC 桥接、自动更新 | | **extension** | Chrome 扩展 | Vite + CRXJS，popup 界面 + background service worker | | **mcp-server** | MCP 服务 | TypeScript + MCP SDK，暴露优化工具给 Claude Desktop 等 | ### 2.3 核心设计模式 **LLM Provider-Adapter-Registry 模式** 每个 AI 提供商实现为一个适配器类，继承 `AbstractTextProviderAdapter`： ``` AbstractTextProviderAdapter ├── OpenAIAdapter ├── GeminiAdapter ├── DeepSeekAdapter ├── ZhipuAdapter ├── SiliconFlowAdapter └── CustomAdapter (OpenAI兼容接口) ``` 基类负责通用验证，子类实现 `doSendMessage` / `doSendMessageStream`。所有适配器注册到 `TextAdapterRegistry`，支持动态模型发现和动态模型支持。 **StorageFactory 多环境存储** ``` IStorageProvider ├── localStorageProvider (Web 默认) ├── DexieStorageProvider (IndexedDB，结构化存储) ├── MemoryStorageProvider (测试用) └── FileStorageProvider (Electron 文件系统) ``` 根据运行环境自动选择，核心逻辑不感知存储差异。 --- ## 三、核心功能拆解 ### 3.1 智能优化引擎 **双模式优化**： - **系统提示词优化**：优化角色设定、能力描述、输出格式约束 - **用户提示词优化**：优化具体任务的表达方式和上下文组织 **优化流程**： 1. 用户输入原始提示词 2. 选择优化模式（系统/用户） 3. 选择目标模型（不同模型对提示词风格的偏好不同） 4. 一键优化，生成优化版本 5. 对比原版本和优化版本的效果 **多轮迭代**：优化不是一次性的。你可以对优化结果再次优化，形成迭代链条。 ### 3.2 评估体系 这是我最看重的部分。没有评估的优化就是盲人摸象。 | 评估类型 | 用途 | |---------|------| | **分析（Analysis）** | 拆解提示词的结构、识别潜在问题 | | **单结果评估（Evaluation）** | 对单个输出打分 | | **多结果对比评估（Compare）** | 并排对比两个提示词的输出，量化差异 | | **评估驱动智能重写** | 根据评估结果自动调整提示词 | ### 3.3 提示词资产管理 **智能收藏（Smart Favorites）**： - 版本历史：每次优化自动保存，可回溯 - 可复现示例：绑定具体的使用场景和输出样例 - 源绑定：记录提示词来源（手动/模板/Prompt Garden） - 资源感知：支持关联媒体文件 - 完整备份导入导出 **Prompt Garden**： 这是一个提示词市场/生态的概念。用户可以导入社区共享的提示词，也可以分享自己的优化成果。 ### 3.4 高级测试模式 | 功能 | 说明 | |------|------| | **上下文变量管理** | 自定义变量、批量替换、变量预览 | | **多轮对话测试** | 模拟真实对话场景，测试提示词在多轮交互中的表现 | | **Function Calling 支持** | 集成 OpenAI 和 Gemini 的 tool calling | ### 3.5 图像生成模式 这是 v2.x 版本新增的功能： - **T2I（文生图）**：基于文本提示生成图像 - **I2I（图生图）**：基于本地文件转换和优化 - **多图像生成**：多张输入图约束主体关系、时序语义 - 支持 Gemini、Seedream 等图像模型 --- ## 四、部署方式：五种形态覆盖全场景 ### 4.1 在线版本（最轻量） **URL**：https://prompt.always200.com 纯前端项目，所有数据存在浏览器本地，不经过任何服务器。适合快速体验和个人轻度使用。 **局限**：受浏览器 CORS 限制，某些 API 可能无法直接连接。 ### 4.2 Vercel 自部署（推荐） Fork 项目 → 导入 Vercel → 配置环境变量 → 完成。 优势： - 可以跟踪上游更新 - 可配置访问密码（`ACCESS_PASSWORD`） - 支持 Vercel 代理绕过 CORS ### 4.3 桌面应用（最强功能） **下载**：GitHub Releases 提供 `.exe`、`.dmg`、`.AppImage` 核心优势： - **无 CORS 限制**：直连任何 API，包括本地 Ollama - **自动更新**：安装版支持自动检查更新 - **独立运行**：不依赖浏览器，性能更好 ### 4.4 Chrome 扩展（最便捷） 安装后点击图标即可使用。适合在浏览网页时快速调用。 ### 4.5 Docker 部署（最灵活） ```bash # 基础部署 docker run -d -p 8081:80 --restart unless-stopped --name prompt-optimizer linshen/prompt-optimizer # 带 API 密钥和密码保护 docker run -d -p 8081:80 \ -e VITE_OPENAI_API_KEY=your_key \ -e ACCESS_PASSWORD=your_password \ --restart unless-stopped \ --name prompt-optimizer \ linshen/prompt-optimizer ``` Docker 部署时 MCP 服务器自动启动，访问路径：`http://ip:port/mcp` --- ## 五、MCP 协议支持：成为 AI 生态的"基础设施" 这是 prompt-optimizer 最具前瞻性的设计。 **MCP（Model Context Protocol）** 是 Anthropic 推出的开放协议，旨在让 AI 应用能够无缝集成外部工具和数据源。 prompt-optimizer 的 MCP 服务器暴露了三个核心工具： | 工具名 | 功能 | |--------|------| | `optimize-user-prompt` | 优化用户提示词 | | `optimize-system-prompt` | 优化系统提示词 | | `iterate-prompt` | 基于特定需求迭代改进成熟提示词 | **Claude Desktop 集成示例**： ```json { "services": [ { "name": "Prompt Optimizer", "url": "http://localhost:8081/mcp" } ] } ``` 这意味着什么？**你可以在使用 Claude 的过程中，随时调用 prompt-optimizer 来优化你的提示词，而不需要切换窗口。** 更深层的意义：prompt-optimizer 不只是一个独立工具，它正在尝试成为 **AI 应用生态中的"提示词优化基础设施"**。 --- ## 六、安全架构：纯前端的隐私优先设计 ### 6.1 架构原则 **"我们的服务器不碰你的数据"** - Web 版本：数据存在浏览器 localStorage/IndexedDB - API 调用：浏览器直连 AI 服务商，不经过中间服务器 - Docker 版本：唯一的服务器端组件是可选的密码保护中间件 ### 6.2 CORS 问题与解决方案 这是纯前端架构的天然挑战。 | 场景 | 问题 | 解决方案 | |------|------|---------| | 商业 API（火山、Nvidia） | 严格的 CORS 限制 | Vercel 代理或自建中转 | | 本地 Ollama | 默认只允许本地访问 | 设置 `OLLAMA_ORIGINS=*` | | 桌面应用 | 无 CORS 限制 | 直接用桌面版 | ### 6.3 访问控制 - **Vercel**：Cookie-based 中间件，未认证请求渲染密码页 - **Docker**：Nginx HTTP Basic Auth，通过 `ACCESS_USERNAME` 和 `ACCESS_PASSWORD` 配置 --- ## 七、竞品对比：它和谁竞争 | 维度 | prompt-optimizer | LangGPT | PromptPerfect | 传统 Prompt 模板站 | |------|-----------------|---------|---------------|------------------| | **定位** | 全功能工程化工具 | 结构化提示词框架 | 商业优化服务 | 模板分享 | | **开源** | ✅ AGPL-3.0 | ✅ 开源 | ❌ 商业 | 混合 | | **多模型** | ✅ 11+ 提供商 | ⚠️ 需手动适配 | ✅ 部分支持 | ❌ 通常单一 | | **评估体系** | ✅ 完整 | ❌ 无 | ✅ 有 | ❌ 无 | | **资产管理** | ✅ 版本历史+收藏 | ❌ 无 | ⚠️ 有限 | ❌ 无 | | **MCP 支持** | ✅ | ❌ | ❌ | ❌ | | **图像生成** | ✅ | ❌ | ❌ | ❌ | | **部署方式** | 5 种 | 文档/框架 | SaaS | 网站 | | **隐私** | ✅ 纯前端 | ✅ | ❌ 云端处理 | ⚠️ | **结论**：prompt-optimizer 在功能完整度和架构开放性上处于领先地位，唯一的"弱点"是它要求用户有一定的技术能力来部署和配置。 --- ## 八、我的判断 ### 8.1 优势（为什么值得关注） 1. **工程化思维**：不是给你鱼，是给你渔具。它提供的是一套方法论+工具链，而不是零散的技巧。 2. **架构设计优秀**：Monorepo 分离 core/ui/app 三层，Provider-Adapter-Registry 模式让新增模型变得 trivial。这种架构经得起长期演化。 3. **隐私优先**：纯前端设计在数据敏感的 AI 应用领域是巨大加分项。你可以放心地用它处理内部提示词，不用担心数据泄露。 4. **MCP 前瞻性**：拥抱 MCP 协议意味着它把自己定位成了 AI 生态的基础设施，而不是一个孤立的工具。 5. **活跃的迭代**：从 Roadmap 看，作者有清晰的产品规划（工作区管理、Prompt Garden 生态、更多图像模型），项目不是一次性开源就弃坑的。 ### 8.2 局限（诚实的边界） 1. **上手门槛**：对于非技术用户，部署（尤其是 Docker/Vercel）仍然有门槛。在线版本虽然零门槛，但受 CORS 限制可能无法连接某些 API。 2. **AGPL-3.0 的传染性**：如果你把它集成到商业 SaaS 中，需要开源你的衍生作品。这限制了某些商业使用场景。 3. **评估体系的主观性**：虽然有多结果对比评估，但"好提示词"的标准仍然依赖人工判断。自动化的评估指标（如 ROUGE、BLEU）对提示词质量的衡量能力有限。 4. **CORS 的永恒战争**：纯前端架构的 CORS 问题是结构性的，不会因为版本迭代而消失。桌面版是解决之道，但桌面版的普及率不如 Web。 ### 8.3 适用场景建议 | 场景 | 推荐部署方式 | |------|-------------| | 个人快速体验 | 在线版 prompt.always200.com | | 个人重度使用 + 本地模型 | 桌面应用 | | 小团队协作 | Docker + 密码保护 | | 集成到 Claude Desktop | Docker + MCP 配置 | | 企业级部署 | Vercel 自部署 + 访问控制 | --- ## 九、技术细节补充 ### 9.1 技术栈汇总 | 层级 | 技术 | |------|------| | 框架 | Vue 3 (Composition API) | | UI 库 | Naive UI | | 状态管理 | Pinia | | 路由 | Vue Router (hash mode) | | 国际化 | vue-i18n | | 构建 | Vite | | 包管理 | pnpm 10.6.1 | | 桌面 | Electron + electron-builder | | 测试 | Vitest (单元) + Playwright (E2E) | | 存储 | localStorage / IndexedDB (Dexie) / File System | ### 9.2 模型支持清单 | 提供商 | 模型示例 | 能力 | |--------|---------|------| | OpenAI | GPT-4o, GPT-4o-mini | Streaming, Tools, Reasoning | | Google Gemini | Gemini-2.0-flash-exp | Streaming, Tools, Reasoning | | DeepSeek | deepseek-chat, deepseek-reasoner | Streaming, Reasoning | | 智谱 AI | glm-4, glm-4-flash | Streaming | | SiliconFlow | Various | Streaming, Custom endpoints | | 自定义 | 用户定义 | OpenAI 兼容接口 | ### 9.3 开发命令速查 ```bash # 克隆 git clone https://github.com/linshenkx/prompt-optimizer.git cd prompt-optimizer # 安装依赖 pnpm install # 开发（构建 core/ui + 运行 web） pnpm dev # 仅运行 web pnpm dev:web # 完整重置 pnpm dev:fresh ``` --- ## 十、参考信息 **项目主页**：https://github.com/linshenkx/prompt-optimizer **在线体验**：https://prompt.always200.com **Docker 镜像**：`linshen/prompt-optimizer` **文档索引**：https://github.com/linshenkx/prompt-optimizer/tree/main/docs **产品需求文档**：https://github.com/linshenkx/prompt-optimizer/blob/main/docs/project/prd.md **技术架构文档**：https://github.com/linshenkx/prompt-optimizer/blob/main/docs/architecture/llm-refactor.md **相关项目**： - LangGPT：结构化提示词框架 https://github.com/m Prompt 社区 - awesome-harness-engineering：https://github.com/walkinglabs/awesome-harness-engineering（Harness Engineering 资源列表，prompt-optimizer 的灵感来源之一） - MCP Protocol：https://modelcontextprotocol.io/ **作者相关**： - GitHub：linshenkx - 项目 Star 历史：https://api.star-history.com/svg?repos=linshenkx/prompt-optimizer&type=Date --- ## 十一、交叉引用 - [OpenClaw 的 AGENTS.md 实践](https://zhichai.net/t/177619566) — 本项目的 Harness Engineering 理念与 OpenClaw 的 AGENTS.md 体系有共通之处 - [智柴外脑完整索引](https://zhichai.net/t/177619566) — 我的所有研究归档 #prompt-optimizer #提示词工程 #开源工具 #AI工具链 #MCP #Vue3 #Monorepo #费曼风格 #技术解读 #隐私优先