提示词总写不好prompt-optimizer 插件系统完整上手指南【免费下载链接】prompt-optimizerAn AI prompt optimizer for writing better prompts and getting better AI results.项目地址: https://gitcode.com/GitHub_Trending/pro/prompt-optimizerprompt-optimizer 是一个开源的提示词优化插件系统浏览器扩展 Web 应用 MCP 服务器能把你的粗糙提示词自动重写成结构化、高命中率的 Prompt。本文带你从本地跑通第一个优化到接入自有模型再到一行 Docker 命令上线部署。提示词调了一下午AI 回答还是不对大概率不是模型不行是你问得不对。帮我写一封客诉回复这类一句话提示词模型只能给你一堆正确的废话。真正决定回答质量的是提示词里有没有把背景、约束、期望输出格式讲清楚。prompt-optimizer 就是干这件事的把你随手写的提示词自动改写、多轮迭代再放进测试区直接对比优化前后的效果。它提供三个入口——浏览器扩展、Web 应用、MCP 服务可以单独用也可以组合用。它到底怎么工作的白话讲清三块分工你打开扩展或 Web 页面看到的就是界面层负责输入提示词、选模型、点优化。界面底下是核心逻辑层也就是 packages/core/优化策略、多轮迭代、对比评估全在这套逻辑里跑。最外面是对外接口层通过 MCPModel Context Protocol一种让 AI 应用之间互相同步数据和能力的协议把优化能力暴露给外部应用。整个流程是本地优先的你的提示词和 API 密钥都留在自己这边浏览器直接和模型服务商对话不经过中间服务器。 这也是它敢把数据存在浏览器本地而不是后端的底气。5 分钟上手跑通第一个提示词优化先拿到源码装好依赖仓库需要 Node.js 22 和 pnpmgit clone https://gitcode.com/GitHub_Trending/pro/prompt-optimizer cd prompt-optimizer pnpm install接着把浏览器扩展跑起来。扩展源码在 packages/extension/根目录一条命令即可启动它的开发模式pnpm dev:ext构建产物会输出到packages/extension/dist。接下来在浏览器里加载它Chrome / Edge打开chrome://extensions/开启开发者模式点加载已解压的扩展程序选择dist目录Firefox打开about:debugging#/runtime/this-firefox点临时载入附加组件选dist/manifest.json装好后点一下工具栏图标就能看到完整的提示词优化界面。它的权限声明非常克制——manifest 里 permissions 数组干脆是空的只申请了运行必需的最小能力具体定义可以看 packages/extension/public/manifest.json。上图是一个知识图谱提取场景左边是原始提示词和优化结果右边是测试区直接对比优化前后 AI 给出的答案差异。所有优化参数都收在高级设置里新手点默认按钮就能出结果。进阶玩法一一键接入本地 Ollama用你自己的模型做 Prompt 优化配到这里其实已经能用了——但下面这个功能才是真正拉开差距的地方prompt-optimizer 支持配置无限多个自定义模型私有部署的模型、公司内部的 LLM 都能挂进来。它的环境变量格式是VITE_CUSTOM_API_*_后缀三件套缺一不可API 密钥、Base URL、模型名。以本地 Ollama 为例在项目根目录的.env.local里加三行模板参考 env.local.exampleVITE_CUSTOM_API_KEY_ollamadummy-key VITE_CUSTOM_API_BASE_URL_ollamahttp://localhost:11434/v1 VITE_CUSTOM_API_MODEL_ollamaqwen2.5:7b保存后重启开发服务模型下拉框里就会多出这个选项。后缀名有个小讲究只能用小写字母、数字、下划线和连字符50 字符以内别和已有模型名撞车。像qwen3_local、company_internal_llm这种有描述性的后缀最好认。上面这张是用自定义模型做诗歌创作提示词优化的效果一句简单诉求被重写成了结构完整、要素明确的创作指南小模型的回答质量肉眼可见地上来了。进阶玩法二MCP 提示词优化服务让 Claude Desktop 帮你调 Prompt如果你的主力 AI 客户端支持 MCP一种让 AI 应用之间互相同步数据的协议那 prompt-optimizer 还能整个被调用。MCP 服务端代码在 packages/mcp-server/通过 HTTP 提供三个标准工具optimize-user-prompt优化用户提示词optimize-system-prompt优化系统提示词iterate-prompt对已经成熟的提示词做迭代改进它最省事的部署方式就是 Docker一条命令同时拉起 Web 界面和 MCP 服务器docker run -d -p 8081:80 \ -e VITE_OPENAI_API_KEYyour-openai-key \ -e MCP_DEFAULT_MODEL_PROVIDERopenai \ --name prompt-optimizer \ linshen/prompt-optimizer 跑起来之后http://localhost:8081是 Web 界面http://localhost:8081/mcp就是给 MCP 客户端比如 Claude Desktop填的服务器地址。详细的客户端配置和故障排查见 docs/user/mcp-server.md。从本地跑通到线上部署前面已经把本地开发串了一遍这一节按你要上线了的时间线走本地 → 扩展测试 → Vercel → Docker。第 1 步本地全量跑起来。根目录的pnpm dev会并行构建 core、ui 并启动 Web 开发服务器只想跑 MCP 服务的话用pnpm mcp:dev服务默认监听 3000 端口改代码自动重启。第 2 步扩展开发闭环。pnpm dev:ext是 watch 模式每次保存自动重新打包到dist你只需在 Chrome 扩展管理页点一下刷新改完立刻生效不用反复重装。第 3 步Web 应用部署到 Vercel。导入仓库后按项目约定配置构建参数即可安装命令pnpm install构建命令pnpm build:web输出目录packages/web/dist环境变量方面私有部署可以填ACCESS_PASSWORD给界面加一层访问密码。有个坑要提醒VITE_*前缀的 API 密钥会打进前端产物暴露给浏览器所以公网部署时不要预置密钥让用户自己带 key 来用。更多细节在 docs/user/deployment/ 下。第 4 步本地或内网私有部署就用 Docker。上一条 MCP 小节里的docker run命令同时把 Web 界面带出来了再加-e ACCESS_PASSWORDyour_password就能启用登录保护一套容器搞定两件事。Compose 方式见 docker/ 目录下的docker-compose.yml。这套东西还能往哪走目前 prompt-optimizer 的扩展主要靠配置完成——自定义模型、MCP 客户端、环境变量都能即插即用源码层面也预留了更正式的插件化方向自定义优化策略、新模型适配器、结果导出格式、跨工具工作流这些都可以作为后续社区贡献的切入口。想看更完整的架构文档、部署手册和用户指南进 docs/ 目录翻有功能建议或踩到坑直接去项目 Issue 提就行。【免费下载链接】prompt-optimizerAn AI prompt optimizer for writing better prompts and getting better AI results.项目地址: https://gitcode.com/GitHub_Trending/pro/prompt-optimizer创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 提示词总写不好？prompt-optimizer 插件系统完整上手指南
提示词总写不好prompt-optimizer 插件系统完整上手指南【免费下载链接】prompt-optimizerAn AI prompt optimizer for writing better prompts and getting better AI results.项目地址: https://gitcode.com/GitHub_Trending/pro/prompt-optimizerprompt-optimizer 是一个开源的提示词优化插件系统浏览器扩展 Web 应用 MCP 服务器能把你的粗糙提示词自动重写成结构化、高命中率的 Prompt。本文带你从本地跑通第一个优化到接入自有模型再到一行 Docker 命令上线部署。提示词调了一下午AI 回答还是不对大概率不是模型不行是你问得不对。帮我写一封客诉回复这类一句话提示词模型只能给你一堆正确的废话。真正决定回答质量的是提示词里有没有把背景、约束、期望输出格式讲清楚。prompt-optimizer 就是干这件事的把你随手写的提示词自动改写、多轮迭代再放进测试区直接对比优化前后的效果。它提供三个入口——浏览器扩展、Web 应用、MCP 服务可以单独用也可以组合用。它到底怎么工作的白话讲清三块分工你打开扩展或 Web 页面看到的就是界面层负责输入提示词、选模型、点优化。界面底下是核心逻辑层也就是 packages/core/优化策略、多轮迭代、对比评估全在这套逻辑里跑。最外面是对外接口层通过 MCPModel Context Protocol一种让 AI 应用之间互相同步数据和能力的协议把优化能力暴露给外部应用。整个流程是本地优先的你的提示词和 API 密钥都留在自己这边浏览器直接和模型服务商对话不经过中间服务器。 这也是它敢把数据存在浏览器本地而不是后端的底气。5 分钟上手跑通第一个提示词优化先拿到源码装好依赖仓库需要 Node.js 22 和 pnpmgit clone https://gitcode.com/GitHub_Trending/pro/prompt-optimizer cd prompt-optimizer pnpm install接着把浏览器扩展跑起来。扩展源码在 packages/extension/根目录一条命令即可启动它的开发模式pnpm dev:ext构建产物会输出到packages/extension/dist。接下来在浏览器里加载它Chrome / Edge打开chrome://extensions/开启开发者模式点加载已解压的扩展程序选择dist目录Firefox打开about:debugging#/runtime/this-firefox点临时载入附加组件选dist/manifest.json装好后点一下工具栏图标就能看到完整的提示词优化界面。它的权限声明非常克制——manifest 里 permissions 数组干脆是空的只申请了运行必需的最小能力具体定义可以看 packages/extension/public/manifest.json。上图是一个知识图谱提取场景左边是原始提示词和优化结果右边是测试区直接对比优化前后 AI 给出的答案差异。所有优化参数都收在高级设置里新手点默认按钮就能出结果。进阶玩法一一键接入本地 Ollama用你自己的模型做 Prompt 优化配到这里其实已经能用了——但下面这个功能才是真正拉开差距的地方prompt-optimizer 支持配置无限多个自定义模型私有部署的模型、公司内部的 LLM 都能挂进来。它的环境变量格式是VITE_CUSTOM_API_*_后缀三件套缺一不可API 密钥、Base URL、模型名。以本地 Ollama 为例在项目根目录的.env.local里加三行模板参考 env.local.exampleVITE_CUSTOM_API_KEY_ollamadummy-key VITE_CUSTOM_API_BASE_URL_ollamahttp://localhost:11434/v1 VITE_CUSTOM_API_MODEL_ollamaqwen2.5:7b保存后重启开发服务模型下拉框里就会多出这个选项。后缀名有个小讲究只能用小写字母、数字、下划线和连字符50 字符以内别和已有模型名撞车。像qwen3_local、company_internal_llm这种有描述性的后缀最好认。上面这张是用自定义模型做诗歌创作提示词优化的效果一句简单诉求被重写成了结构完整、要素明确的创作指南小模型的回答质量肉眼可见地上来了。进阶玩法二MCP 提示词优化服务让 Claude Desktop 帮你调 Prompt如果你的主力 AI 客户端支持 MCP一种让 AI 应用之间互相同步数据的协议那 prompt-optimizer 还能整个被调用。MCP 服务端代码在 packages/mcp-server/通过 HTTP 提供三个标准工具optimize-user-prompt优化用户提示词optimize-system-prompt优化系统提示词iterate-prompt对已经成熟的提示词做迭代改进它最省事的部署方式就是 Docker一条命令同时拉起 Web 界面和 MCP 服务器docker run -d -p 8081:80 \ -e VITE_OPENAI_API_KEYyour-openai-key \ -e MCP_DEFAULT_MODEL_PROVIDERopenai \ --name prompt-optimizer \ linshen/prompt-optimizer 跑起来之后http://localhost:8081是 Web 界面http://localhost:8081/mcp就是给 MCP 客户端比如 Claude Desktop填的服务器地址。详细的客户端配置和故障排查见 docs/user/mcp-server.md。从本地跑通到线上部署前面已经把本地开发串了一遍这一节按你要上线了的时间线走本地 → 扩展测试 → Vercel → Docker。第 1 步本地全量跑起来。根目录的pnpm dev会并行构建 core、ui 并启动 Web 开发服务器只想跑 MCP 服务的话用pnpm mcp:dev服务默认监听 3000 端口改代码自动重启。第 2 步扩展开发闭环。pnpm dev:ext是 watch 模式每次保存自动重新打包到dist你只需在 Chrome 扩展管理页点一下刷新改完立刻生效不用反复重装。第 3 步Web 应用部署到 Vercel。导入仓库后按项目约定配置构建参数即可安装命令pnpm install构建命令pnpm build:web输出目录packages/web/dist环境变量方面私有部署可以填ACCESS_PASSWORD给界面加一层访问密码。有个坑要提醒VITE_*前缀的 API 密钥会打进前端产物暴露给浏览器所以公网部署时不要预置密钥让用户自己带 key 来用。更多细节在 docs/user/deployment/ 下。第 4 步本地或内网私有部署就用 Docker。上一条 MCP 小节里的docker run命令同时把 Web 界面带出来了再加-e ACCESS_PASSWORDyour_password就能启用登录保护一套容器搞定两件事。Compose 方式见 docker/ 目录下的docker-compose.yml。这套东西还能往哪走目前 prompt-optimizer 的扩展主要靠配置完成——自定义模型、MCP 客户端、环境变量都能即插即用源码层面也预留了更正式的插件化方向自定义优化策略、新模型适配器、结果导出格式、跨工具工作流这些都可以作为后续社区贡献的切入口。想看更完整的架构文档、部署手册和用户指南进 docs/ 目录翻有功能建议或踩到坑直接去项目 Issue 提就行。【免费下载链接】prompt-optimizerAn AI prompt optimizer for writing better prompts and getting better AI results.项目地址: https://gitcode.com/GitHub_Trending/pro/prompt-optimizer创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考