企业官网建设流程全解析

prompt-optimizer 完整指南：把粗糙初稿变成可测试的提示词模板

【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

经常给 LLM 写提示词的人都知道这种处境：句子写完了，效果不对，却说不出差在哪。prompt-optimizer 是一个开源的 AI 提示词优化工具，把一句话的角色描述改写成带角色、输出格式、约束条件的结构化版本，还能在测试区把新旧两列并排跑出对比。它覆盖系统提示词与用户提示词两类文本场景，外加图像生成。对经常和 LLM 协作的开发者、要批量产出提示词的内容创作者来说，它给提示词改动提供了一条验证路径。

入口一句话定：连本地模型选桌面，团队共用选 Docker

只看两件事：模型服务在不在本地，要不要给别人用。

• 在线 Web 版：纯前端，数据留在浏览器里，打开就能用，适合先试一轮。
• 桌面应用：没有 CORS 限制，能直连 Ollama 等本地服务；安装包支持自动更新，压缩包不行。
• Chrome 扩展：工具栏一键唤起，浏览网页时顺手用，用完就走。
• Docker 自托管：一条命令起服务，设置ACCESS_PASSWORD就能开启访问控制，同时暴露/mcp端点。

两种文本优化模式，加一种图像模式

系统提示词优化：把角色描述改成结构化版本

一句话的角色描述丢进去，回来的是带角色、输出格式、约束条件的版本。改完在右侧测试区验证，再复制回自己的项目里。

用户提示词优化与迭代优化：每轮只修一个问题

单条消息用用户提示词优化；已有版本想再改好，用"继续优化"，每轮专注一个具体问题。多轮对话切到上下文（pro）模式，支持上下文变量和 Function Calling。

图像模式：补上主体、光影和空间锚点

文生图、图生图、多图三种子模式都有。"夜空中的漂浮图书馆"会被补上主体、光影、空间锚点，还能并排对比两个图像模型的出图。参数配置见图像模式文档。

🚀 上手四步：填 API Key，跑到测试区对比为止

1. 点右上角模型管理，填入一家服务商的 API Key（OpenAI、DeepSeek、Gemini 均可），点测试连接后保存。
2. 左侧输入框粘贴原始提示词。
3. 顶部选功能模式：单条消息用基础、多轮对话用上下文、图像任务用图像；再选模板和模型，点优化。
4. 左栏出现改写后的提示词，在右侧测试区跑一轮对比，效果满意点收藏保存。

全程不用部署、不用配 CORS。首次教程见快速上手指南。

走一遍：一条粗略的还价请求变成可复用模板

以仓库演示里的二手交易还价为例。输入只是一句粗略的英文请求：帮我写一条 Marketplace 还价回复，用到商品、要价、买家报价这些细节。

切到 pro 模式后，请求里的细节被自动拆成临时变量。右侧逐格填实际值：商品是白色 Switch OLED，要价 $220，买家报价 $150，语气友好但坚定。

点 Optimize 之后，回复不再是泛泛的客套，而是拆成固定顺序：先确认商品细节，再回应报价，如实说明瑕疵，亮出底价，明确下一步动作。测试区把"原模板 + 原始变量"和"优化模板 + 原始变量"各跑一列，优化版读起来像可以直接发出去的交易话术。

两个进阶技巧：本地 Ollama 接入，让模型替你填变量

• 注册本地 Ollama：本地跑着 Ollama 时，加一组环境变量（key、base URL、model）它的模型就会出现在模型列表里，Web、桌面、Docker 都适用：

VITE_CUSTOM_API_KEY_ollama=dummy-key VITE_CUSTOM_API_BASE_URL_ollama=http://localhost:11434/v1 VITE_CUSTOM_API_MODEL_ollama=qwen2.5:7b

本地模型的 key 填占位值即可。完整配置见多自定义模型。

• 智能填充：变量模板里拿不准示例值时，点"智能填充变量值"，模型为每个变量给出候选值和生成理由，确认后可批量应用，理由能让你判断值填得合不合理。
• MCP 端点：Docker 部署会同时拉起/mcp端点，把地址填进 Claude Desktop 的服务配置，就能直接调用 optimize-user-prompt、optimize-system-prompt、iterate-prompt 两个优化工具和一个迭代工具，优化提示词不用切窗口。

先跑对比，再点收藏

• 先留一轮"继续优化"，不满意再加一轮，每轮只修一个具体问题，别指望一次优化到位直接上线。
• 先在测试区跑两三列并行对比，确认输出变好再点收藏，别用没验证过的版本。
• 相似场景先判断差异能不能抽成变量占位符，再决定要不要新模板，别每次重写一遍。
• 用数据管理定期导出收藏，引用的媒体资源一并带走，别把好用的提示词只留在历史里。

今天挑一条不顺手的提示词跑一轮就够了；用顺手之后，把高频提示词整理成变量模板、试一次智能填充；团队要共用时，从 Docker 自托管起步，再接 MCP 进日常工作流。

相关文档与源码入口

• 快速上手指南：docs/user/quick-start.md
• 多自定义模型：docs/user/multi-custom-models.md
• MCP 部署与接入：docs/user/mcp-server.md
• 收藏管理：docs/user/favorites.md
• 核心服务源码：packages/core/src/services/

【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