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

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

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。

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

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）

# 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：

Claude Desktop 集成示例：

{
  "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。

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

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

九、技术细节补充

9.1 技术栈汇总

9.2 模型支持清单

9.3 开发命令速查

# 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 — 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 — 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