chill_notes/AI工程/PromptOptimizer生态研究.md

Prompt Optimizer 生态完全研究

提示词优化器工具生态：从用户产品到自动优化框架

归档：2026-04-25

---

📊 生态全景

Prompt Optimizer 生态分为两大方向：

方向	代表项目	定位
用户工具	linshenkx/prompt-optimizer	交互式提示词优化产品
自动优化框架	GEPA / PromptWizard / prompt-ops	AI 自动迭代优化

---

🏆 主流项目对比

项目	Stars	语言	定位	维护方
prompt-optimizer	26,823	TypeScript	用户端优化工具	个人开发者
Context-Engineering	8,773	Markdown	Prompt Engineering 手册	社区
GEPA	3,980	Python	反射式文本进化框架	gepa-ai
PromptWizard	3,839	Python	Agent 驱动的自动优化	Microsoft
auto-prompt	764	TypeScript	AI 提示词优化平台	AIDotNet
prompt-ops	804	Python	LLM 提示词优化工具	Meta
SAMMO	753	Python	多目标元提示词优化	Microsoft

---

🎯 linshenkx/prompt-optimizer（⭐26,823）

项目概览

属性	值
创建时间	2025-02-12
语言	TypeScript
Forks	3,167
许可	开源
在线体验	https://prompt.always200.com

核心能力

用户输入原始提示词 → AI 优化引擎 → 输出优化后提示词
        ↕                              ↓
    多轮迭代优化 ←── 评估对比 ←── 多模型生成

能力	说明
🎯 智能优化	一键优化 + 多轮迭代优化
📝 双模式	系统提示词优化 + 用户提示词优化
🔄 评估对比	单结果评估 + 多结果对比评估
🤖 多模型	OpenAI / Gemini / DeepSeek / 智谱 / 硅基流动
🖼️ 图片生成	T2I 文生图 + I2I 图生图
📊 高级模式	变量管理 + 多轮对话测试 + Function Calling
🔒 安全架构	纯前端 + 数据本地存储
🧩 MCP 协议	集成 Claude Desktop 等 MCP 应用

四种使用方式

方式	特点
Web 应用	在线即用，数据存浏览器
桌面应用	无 CORS 限制，支持自动更新
Chrome 扩展	浏览器内嵌使用
Docker 部署	自托管，支持密码保护

部署方案

# Docker 快速部署
docker run -d -p 8081:80 --restart unless-stopped \
  --name prompt-optimizer linshen/prompt-optimizer

# Docker Compose 完整部署
git clone https://github.com/linshenkx/prompt-optimizer.git
cd prompt-optimizer
cat > .env << EOF
VITE_OPENAI_API_KEY=your_key
VITE_GEMINI_API_KEY=your_key
VITE_DEEPSEEK_API_KEY=your_key
ACCESS_PASSWORD=your_password
EOF
docker compose up -d

MCP 集成

// Claude Desktop 配置 (~/.config/Claude/services/services.json)
{
  "services": [
    {
      "name": "Prompt Optimizer",
      "url": "http://localhost:8081/mcp"
    }
  ]
}

暴露的 3 个 MCP 工具：

• optimize-user-prompt：优化用户提示词
• optimize-system-prompt：优化系统提示词
• iterate-prompt：迭代优化成熟提示词

三大经典场景

场景	效果
严厉审稿人	从泛泛附和 → 结构化批评，指出假设薄弱点、证据缺口
讨价还价回复	单模板变量化，不同商品/价格/语调复用
文生图优化	一句话想法 → 主体 + 空间关系 + 情绪锚点的专业提示词

---

🤖 自动优化框架对比

GEPA（⭐3,980）

提示词 → 反射式进化 → 评估 → 再进化 → 最优提示词

特性	说明
方法	Reflective Text Evolution
适用	提示词、代码、任何文本
特点	AI 驱动的自动迭代优化

Microsoft PromptWizard（⭐3,839）

任务 → Agent 分析 → 生成候选提示词 → 评估 → 选择最优

特性	说明
方法	Task-Aware Agent-driven
适用	特定任务感知的自动优化
特点	Agent 驱动，任务适配

Meta prompt-ops（⭐804）

特性	说明
方法	系统化提示词优化
适用	LLM 应用场景
特点	Meta 官方出品

---

📐 提示词优化的方法论

从 Prompt Engineering 到 Context Engineering

维度	Prompt Engineering	Context Engineering
范围	单条提示词优化	上下文窗口全局设计
方法	人工迭代	系统性架构
关注点	文字表达	信息填充、编排、优化

"Context engineering is the delicate art and science of filling the context window with just the right information for the next step." — Andrej Karpathy

优化流程

1. 明确任务目标 → 2. 编写初始提示词 → 3. 测试效果
         ↕
7. 持续监控 ← 6. 部署使用 ← 5. 评估对比 ← 4. 迭代优化

关键技巧

技巧	说明
角色扮演	赋予 AI 专家角色
结构化输出	要求 JSON/表格/特定格式
少样本示例	提供 1-3 个示例
思维链	要求逐步推理
边界条件	明确处理范围和限制
变量化	可复用模板 + 变量替换

---

🆚 三选一指南

你的需求	推荐方案
想交互式优化提示词	linshenkx/prompt-optimizer
想自动批量优化	GEPA / PromptWizard
想学习方法论	Context-Engineering 手册
想在 Claude Desktop 中集成	prompt-optimizer + MCP
想自托管	prompt-optimizer Docker
Meta 生态用户	Meta prompt-ops

---

💡 与 OpenClaw 的结合

结合方式	说明
MCP 集成	prompt-optimizer 通过 MCP 暴露优化能力
Claude Desktop	可在 Claude Desktop 调用优化服务
提示词模板	优化后的提示词可用于 OpenClaw Agent 配置
SOUL.md 优化	可用工具优化 Agent 人格提示词

---

🔗 资源

资源	链接
prompt-optimizer	https://github.com/linshenkx/prompt-optimizer
在线体验	https://prompt.always200.com
GEPA	https://github.com/gepa-ai/gepa
PromptWizard	https://github.com/microsoft/PromptWizard
Context-Engineering	https://github.com/davidkimai/Context-Engineering
Meta prompt-ops	https://github.com/meta-llama/prompt-ops
auto-prompt	https://github.com/AIDotNet/auto-prompt

---

整理：知识库管理员 | 归档：2026-04-25