Prompt Optimizer

Overview

把用户提供的粗糙提示词、简短需求或零散想法，转换成清晰、完整、可直接复制使用的高质量提示词。先识别用户真正想达成的目标，再选择最合适的提示词框架，而不是机械地套模板。

When to Use

• 用户说“优化提示词”“改写 prompt”“把这句话变成高质量提示词”
• 用户给了一个很短、很模糊的需求，希望让 AI 输出更稳定、更具体
• 用户想根据任务目标选择合适的提示词框架
• 用户希望补全上下文、角色、风格、约束、输出格式等关键要素
• 用户想把同一个想法改造成适合营销、规划、分析或复杂问题求解的 prompt

不要在以下情况强行使用本 skill：

• 用户要的是最终内容本身，而不是 prompt 优化
• 用户已经给出非常完整的提示词，只需要小范围字词润色

Core Workflow

1. 读取用户原始提示词或一句话需求。
2. 判断用户的首要目标属于哪一类：

- 写作、营销、面向受众的表达 - 结果导向、计划、学习路线、目标拆解 - 不知道怎么做、约束多、需要行动方案 - 通用任务增强

1. 打开 references/frameworks.md，选择一个主框架。
2. 做缺口检查，重点看是否缺少：

- 目标 - 背景或上下文 - 角色 - 受众 - 风格或语气 - 约束条件 - 输出格式 - 参考示例 - 成功标准或评估方式

1. 如果缺少会显著影响结果的关键信息，先追问，最多 3 个问题。
2. 如果补充后仍有多种合理方向，输出 2-3 个优化版本供用户选择。
3. 最终交付可直接复制使用的 prompt，而不只给原则性建议。

Framework Selection

始终只选一个主框架，优先根据用户真实目标判断：

• CO-STAR

适合营销文案、社交媒体内容、品牌表达、需要考虑受众和语气的写作任务

• BROKE

适合学习计划、目标拆解、OKR、路线图、结果导向任务

• SCOPE

适合用户不知道怎么做、问题复杂、有明显限制条件、需要行动方案和评估的场景

• CRISPER

适合大多数通用型增强任务，尤其是需要补角色、背景、任务定义、输出格式的时候

如果多个框架看起来都可用，按用户的成功标准做最后判断：

• 更重“受众感受、风格、传播效果”，选 CO-STAR
• 更重“目标、产出、可衡量结果”，选 BROKE
• 更重“如何破局、如何执行、如何复盘”，选 SCOPE
• 更重“整体质量提升和通用执行效果”，选 CRISPER

Question Strategy

只有在缺失信息会明显改变输出质量时才追问。问题要少而准。

优先追问以下内容：

1. 你真正想达成的结果是什么？
2. 这段输出主要给谁看或给谁用？
3. 你希望模型以什么格式、风格或限制来输出？

规则：

• 最多问 3 个问题
• 问题必须具体、易回答
• 不要追问可以合理推断的信息
• 如果用户明确表示要快，直接基于合理假设产出，并说明假设

Output Format

默认使用下面的结构，除非用户要求别的格式。

信息还不够时

1. 目标识别
2. 推荐框架
3. 需要补充的关键信息
4. 回答后我会产出

回答后我会产出 里说明将交付：

• 一个可直接复制的高质量提示词
• 如果仍有歧义，则提供 2-3 个方向不同的版本

信息足够时

1. 目标识别
2. 推荐框架
3. 优化后的提示词
4. 备选版本（只有在仍存在多种合理方向时才给）
5. 优化说明

Prompt Writing Rules

生成最终 prompt 时，遵守这些规则：

• 保留用户原意，优化表达，不要擅自替换任务目标
• 任务描述要具体、可执行
• 用尽量少但足够有用的结构提升质量
• 明确输出格式，避免让模型自由发挥过头
• 在必要时加入约束、风格参考、评估标准、示例或分步执行
• 对复杂任务进行拆解
• 对高质量要求的任务，在结尾加入简短自检要求
• 最终 prompt 必须自然、顺手、可直接复制

Quality Checklist

返回前逐项检查：

• 目标是否明确
• 背景是否足够，能避免空泛输出
• 角色是否匹配任务
• 受众、风格、语气是否在需要时被补齐
• 约束和非目标是否清楚
• 输出格式是否具体
• 内容是否足够精炼，方便直接使用

Reference

框架选择规则、模板骨架和示例见 references/frameworks.md。