prompt-optimizer

核心用法

Prompt Optimizer 采用系统化的五步法工作流：首先加载质量评估框架，从清晰度、具体性、结构、完整性、语气和约束六个维度分析提示词；随后识别适用的优化技术（如思维链CoT、少样本学习、角色扮演等58种方法）；最终生成结构化的优化版本。用户可通过阅读参考文档获取技术细节，也可使用文档中提及的评估脚本（注：实际为示例性说明）进行自动化分析。

显著优点

该技能的最大优势在于其方法论的系统性和全面性。它整合了58种经过验证的提示工程技术，覆盖推理、上下文、创意和结构等多个维度，为提示词优化提供了科学依据。质量评估框架提供了可量化的评价标准，避免了主观判断的随意性。此外，技能提供了丰富的优化模式映射（如模糊请求→结构化分解、通用任务→技术增强），使用户能够快速定位问题并应用解决方案。

潜在缺点与局限性

作为纯文档型技能，其局限性主要体现在执行层面：SKILL.md中引用的scripts/evaluate.py和scripts/optimize.py脚本在实际目录中并不存在，仅作为使用示例，无法实现真正的自动化处理。此外，references/optimization-patterns.md文件缺失，导致部分优化模式无法查阅。由于来源为T3级个人开发者，内容的权威性和持续维护存在一定不确定性。

适合的目标群体

该技能适合提示词工程师、AI应用开发者、内容创作者以及希望系统性提升AI交互质量的专业用户。对于需要频繁与大型语言模型交互、对输出质量有较高要求的研究人员和教育工作者尤为适用。同时，它也是提示词工程学习者的实用参考资料。

使用风险

该技能为纯Markdown文档，无代码执行能力，因此不存在代码注入、恶意软件或数据泄露等技术安全风险。主要风险在于来源可信度（T3级个人账号），建议用户对其提供的最佳实践进行独立验证。另外，由于部分引用文件缺失，实际使用时可能需要补充相关知识。

核心功能

Prompt Optimizer是一款专注提示词质量提升的文档型优化工具，通过系统化的评估框架和58种经过验证的提示技术，帮助用户将模糊、低效的提示词转化为结构清晰、输出精准的优质指令。

核心用法

使用时遵循五步工作流：首先加载质量评估框架，从清晰度、具体性、结构性、完整性、语气、约束条件六个维度诊断现有提示词；其次针对识别出的弱点，匹配适用的提示技术（如思维链CoT、少样本学习、角色扮演等）；最后生成保留原意但表达更精准的优化版本。支持常见场景的快捷修复：模糊请求转为结构化拆解、通用任务注入技术增强、缺失上下文补充场景框架、弱化指令转化为可执行步骤。

显著优点

1. 技术体系完备：覆盖58种提示技术，从推理增强到创意激发，形成完整方法论
2. 评估标准清晰：六维质量框架提供可量化的诊断依据，避免主观判断
3. 零门槛使用：纯Markdown文档设计，无代码执行风险，开箱即用
4. 优化路径明确：每种技术都有典型映射关系（如"要有创意"→角色扮演），降低选择困难

局限性与注意事项

• T3来源可信度：源自GitHub社区项目clawdbot/skills，由个人开发者维护，虽当前版本经认证安全，但长期更新稳定性需关注
• 效果依赖人工判断：技术选择和质量评分仍需使用者理解场景，非全自动一键优化
• 参考文档待验证：声称的58种技术具体质量建议抽样核查

适合人群

• AI内容创作者、提示词工程师
• 需要批量优化提示词模板的产品团队
• 希望系统学习提示工程方法论的学习者
• 对提示词效果不满意但不知从何改进的普通用户

常规风险

极低风险。经六维安全扫描（静态代码、动态行为、依赖审计、网络流量、隐私合规、来源信誉）全项通过，无敏感信息泄露、无外部调用、无可执行代码。唯一标注为"警告"的来源评估属信息级提示，建议关键环境使用前Fork仓库自主控制更新源。