Promptify Skill

核心用法

Promptify 是一款智能化的提示词优化工具，采用"解析→检测→调度→重构"的四步工作流。用户只需提供原始提示词，系统即可自动识别其类型（编码/写作/分析/创意/数据），并应用核心四要素契约（角色、任务、约束、输出）进行结构化重构。

支持三种模式修饰符：

• +ask 强制启动澄清问答
• +deep 强制代码库深度探索
• +web 强制网络信息检索

无修饰符时，系统通过智能触发器自动判断是否需要调用子代理（codebase-researcher/clarifier/web-researcher），并以并行任务方式执行。

显著优点

1. 模型无关设计：优化后的提示词适用于各类LLM，不受限于特定模型特性
2. 智能路由机制：基于关键词和上下文自动识别最佳处理路径，无需人工干预
3. 四要素契约：强制确保每个提示词包含角色、任务、约束、输出四大核心组件，从根源上减少模糊性
4. 专业化类型处理：针对不同任务类型（编码、写作、分析等）应用差异化优化策略
5. 自动降噪：智能剔除"请"、"我希望你"等填充词，保留信息密度
6. 结构化输出：复杂提示词使用XML标签增强机器可读性，便于下游解析

潜在缺点与局限性

1. 上下文依赖风险：自动检测机制依赖关键词匹配，对于高度隐晦或跨领域的复杂需求可能误判
2. 子代理开销：并行调用多个子代理虽提升质量，但会增加token消耗和响应延迟
3. 过度结构化：对于简单直接的提示词，四要素契约可能造成冗余
4. 领域盲区：高度专业化的垂直领域（如特定生物信息学流程）可能缺乏优化模板
5. 输出复制依赖：推荐通过pbcopy命令复制结果，在部分环境中可能需要额外配置

适合人群

• AI重度使用者：日均与LLM交互10次以上的产品经理、开发者、内容创作者
• 提示词工程初学者：希望快速掌握结构化提示词写法，避免反复试错
• 团队协作场景：需要统一提示词规范，确保团队成员输出一致性的技术负责人
• 复杂任务处理者：涉及多步骤推理、代码生成、外部信息整合的进阶用户

常规风险

| 风险类型 | 说明 | 缓解建议 |

|---------|------|---------|

| 信息泄露 | 使用`+deep`时可能上传敏感代码片段 | 启用前确认代码库权限配置 |

| 时效性偏差 | `+web`检索结果存在时间窗口限制 | 关键决策前二次验证 |

| 过度优化 | 结构化后提示词可能超出模型上下文限制 | 监控token计数，必要时分段处理 |

| 代理循环 | 复杂场景下子代理间可能出现冗余调用 | 查看调度日志，手动指定修饰符规避 |

核心用法

promptify 是一款专注于提示词优化的智能 Skill，当用户输入「improve this prompt」「optimize my prompt」或提供模糊/非结构化指令时自动激活。其核心能力在于智能路由——通过解析用户输入自动判断是否需要调用 clarifier（澄清问题）、codebase-researcher（代码库探索）或 web-researcher（网络搜索）三个子代理，并支持通过 +ask/+deep/+web 修饰符强制触发特定流程。

优化流程遵循「核心四要素」框架：确保每个提示包含角色（Role）、任务（Task）、约束（Constraints）、输出（Output）。具体操作包括：图像分析（如有）、类型检测（编码/写作/分析/创意/数据）、将输出转化为过程（如「Write X」→「Analyze → Plan → Implement → Validate」）、去除冗余填充词、添加 XML 标签结构化复杂提示。

显著优点

1. 智能自动化：无需手动选择模式，通过关键词自动识别代码库相关（"this project""integrate"）、需澄清（"make it better"）、需网络研究（"best practices""latest"）等场景
2. 模型无关设计：优化后的提示适用于 Claude、GPT-4、Gemini 等各类大模型
3. 类型化优化：针对不同任务类型（编码强调规格与边界情况，写作强调语调与受众）提供差异化处理
4. 并行代理执行：通过 Task 工具并行运行多个子代理，提升效率

潜在缺点与局限性

• T3 来源风险：维护者为个人开发者（tolidbear），虽通过 S 级安全认证，但长期维护能力存疑
• 代理依赖：子代理的实际效果取决于 Claude Code 运行时环境，特定边缘场景可能出现路由误判
• 无预设模板：需用户主动提供待优化提示，不提供从零开始的提示构建向导

适合人群

• 提示词工程初学者：学习结构化提示写法
• 开发团队：快速优化涉及代码库的复杂技术提示
• 内容创作者：将模糊创意需求转化为可执行的 AI 指令
• 多模型用户：需要一套跨平台通用的提示优化方案

常规风险

该 Skill 为纯 Markdown 文档（T-MD 分类），无实际可执行代码，无外部依赖，无敏感信息收集。Web Researcher 涉及的网络请求由 Claude Code 标准工具接口管理，Skill 本身不直接处理网络流量。已通过 GDPR/CCPA 合规检查，无数据外泄风险。