prompt-optimizer是一个旨在系统性解决用户撰写AI提示词（Prompt）时常见痛点的智能工具。其核心价值在于将提示词工程从“手工作坊”升级为“自动化流水线”，显著提升效率和质量。
一、它解决了什么问题？
当前用户在撰写提示词时主要面临三大痛点，而许多现有优化工具也存在不足：
用户痛点：
1. 表达不清：需求描述存在遗漏、歧义。
2. 框架选择少：了解的提示词框架有限，难以挑选最合适的。
3. 套用耗时：即使知道框架，手动套用也非常耗时。
现有工具缺点：
1. 缺乏澄清：对用户输入的错误或歧义信息直接生成，缺乏确认环节。
2. 产出太通用：生成的提示词虽然结构化，但多为通用框架，缺乏针对性。
3. 支持模型有限：通常只适配少数特定模型。
二、它的核心功能是什么？
prompt-optimizer通过以下方式针对性解决上述问题：
1. 智能匹配专业框架：根据用户描述的场景，从内置的 50多个全球顶尖的提示词框架库（如RACEF、CRISPE、BAB、Tree of Thought等）中自动选择最匹配的。
2. 主动澄清与确认：在生成前，会主动分析用户输入，若发现缺失、歧义或可能错误的信息，会与用户沟通确认，确保理解无误。
3. 自动套用与生成：确认需求后，自动将用户需求套用到选定的最佳框架中，一键生成专业、结构化的提示词。
4. 模型兼容性：生成的提示词可以自由用于用户喜欢的各种大模型，不受限。
当用户提出提示词的需求时，我们的预训练提示词库会自动匹配并调用该提示词框架。用户可以观察到它完整的工作流程：读取摘要 -> 匹配场景与框架 -> 澄清需求 -> 输出优化后的提示词。
我们自身的业务智能体提示词也采用此方法生成和优化，使用专业框架（如CRISPE框架、COT模型）能挖掘出更深、更发散的价值。
总结与启示
prompt-optimizer 展示了当前AI应用开发的一个趋势：“Do”（执行）的成本已大大降低，关键转向“Think”（思考与设计）。它的成功依赖于：
1）清晰的思考与需求拆解：将复杂任务拆解到大模型能力边界内。
2. ）充分的上下文供给：为AI提供充足、准确、结构化的信息（如50多个专业框架）。
3. ）有效的工具化封装：利用Skill和MCP等机制将能力产品化。
同时，其效果依赖于模型能力，模型越强大，潜力发挥得越好。它并非万能，适用于相对专业、需要结构化思考的场景，简单需求直接描述即可。