一句想法变成清晰提示词 Prompt Optimizer提示词优化器 GitHub 3.6 万星

文章目录（快捷跳转）

简介说明
一句话需求，为什么还要再加工
它真正有用的地方
怎么用：先配置模型，再开始优化
部署方式：在线、桌面、插件和 Docker 怎么选
优点和不足
适合谁，不适合谁
图片预览
下载地址
扫码在手机上阅读本页

简介说明

很多人用 AI，卡住的地方不是模型不够聪明，而是自己那句话说得太笼统。比如“帮我做个音频格式转换工具”，模型当然也能回答，但它只能猜：要不要批量处理，要不要保留歌曲信息，支不支持各大音乐平台，转换失败怎么办，界面要不要拖拽上传。最后出来的东西往往不是不能用，而是离你真正想要的差了一截。
Prompt Optimizer 解决的就是这一段。它不直接替你完成任务，而是先把你那句大白话拆开、补全、整理成更清楚的提示词。它和“让聊天模型顺手帮我优化一下提示词”不太一样，项目里预制了规则和文档，会按一套固定流程分析原始需求，再给出结构更完整的版本。写这篇文章时，仓库已经有三万多 Star，最新版本是 v2.11.10。
一句话需求，为什么还要再加工
提示词优化最容易走偏的地方，是把它做成“把句子写长”。但长不等于清楚。真正有用的优化，是把任务目标、输入输出、使用场景、限制条件、输出格式这些东西补齐。
比如你输入“我要做一个音频格式转换工具，要支持各大音乐平台的音频格式转换”。优化后，它可能会继续追问或补出这些内容：支持哪些输入格式，输出 MP3、FLAC 还是 WAV，是否批量处理，是否保留封面和歌曲信息，遇到版权保护或加密文件怎么提示，界面是本地软件还是网页工具，处理失败时如何反馈。这个变化不一定让你立刻得到成品，但能让模型少猜很多。
Prompt Optimizer 支持系统提示词和用户提示词两种优化模式。前者更适合设定 AI 的角色、规则和输出边界，后者更适合具体任务。它还支持多轮迭代，你对结果不满意，不用从头再来，直接补一句“不要这么正式”“加上移动端适配”“输出成表格”，它会继续改。
它真正有用的地方
一是分析和对比。它不只给一个优化结果，还支持分析、单结果评估和多结果对比评估。你可以把同一份需求交给不同模型跑一遍，看看哪个输出更符合预期，而不是凭感觉选一个。
二是变量和多轮测试。高级测试模式里可以管理上下文变量，模拟多轮对话，也支持 Function Calling。这个功能对经常做提示词模板的人比较实用，因为真实使用场景往往不是一问一答，而是带着变量、带着历史对话、带着工具调用。
三是提示词资产管理。优化出来的提示词可以收藏，带版本历史、示例和来源信息，也能导入导出。你可以把它当成一个小型提示词仓库，而不是每次都在聊天记录里翻来翻去。
四是图像模式。它现在不只处理文本提示词，还支持文生图、图生图和多个输入图共同约束生成结果，接入了 Gemini、Seedream、Grok 等图像模型。做封面、配图、视觉概念探索时，比单纯堆关键词更可控。
五是 MCP 支持。Docker 部署后可以同时提供 MCP 服务，让 Claude Desktop 这类支持 MCP 的应用调用提示词优化能力。对喜欢把工具串进工作流的人来说，这个扩展方向挺有意思。
怎么用：先配置模型，再开始优化
最省事的方式是直接用在线版，地址是 prompt.always200.com。打开后先进入模型管理，配置一个可用的文本模型和 API Key。它本身不提供免费模型，所以这一步绕不过去。支持 OpenAI、Gemini、DeepSeek、Grok、智谱、SiliconFlow、MiniMax，也可以接 OpenAI 兼容接口。
配置完成后，基本流程很直接：把原始需求粘贴到左侧，点击分析或优化，等结果出来后自己读一遍。哪里不对，不要重开一轮，直接在下面补充要求继续迭代。右侧可以用来测试优化后的提示词，必要时换不同模型对比。确认效果后，复制结果或保存到收藏里。
如果你不想用在线版，可以从 GitHub Releases 下载桌面端。Windows、macOS、Linux 都有安装包和压缩包。安装版支持自动更新，压缩包解压即用但不自动更新。桌面端最大的好处是没有浏览器跨域限制，连接本地 Ollama 或某些限制比较严的商业 API 时更稳。
Docker 部署也不复杂，基础命令如下：

docker run -d -p 8081:80 --restart unless-stopped --name prompt-optimizer linshen/prompt-optimizer

如果要在启动时配置 API Key 和访问密码，可以这样写：

docker run -d -p 8081:80 -e VITE_OPENAI_API_KEY=your_key -e ACCESS_PASSWORD=your_password --restart unless-stopped --name prompt-optimizer linshen/prompt-optimizer

启动后访问 http://localhost:8081。需要注意的是，公开部署时不要把 API Key 直接写进 VITE 环境变量，因为这类变量会进入浏览器端资源。私有部署也要认真设置访问密码。
想自己改代码，本地开发流程大致是：

git clone https://github.com/linshenkx/prompt-optimizer.git
cd prompt-optimizer
pnpm install
pnpm dev

项目当前要求 Node.js 24，包管理器用的是 pnpm。只是普通使用的话，没必要折腾源码，在线版或桌面版就够了。
部署方式：在线、桌面、插件和 Docker 怎么选
只想快速试一下，用在线版。它的数据默认存在浏览器本地，项目说明里写的是纯客户端处理，请求直接发给你配置的模型服务商，不经过中间服务器。
经常连本地模型，或者碰到浏览器跨域、HTTPS 页面访问 HTTP 服务失败的问题，优先用桌面版。桌面版没有这些限制，体验通常最完整。
想在浏览器里随手调用，可以装 Chrome 插件。插件更新可能比 GitHub Release 慢一点，因为要经过商店审核。
想给团队用、想接 MCP、想自己控制部署环境，用 Docker。Docker 版同时提供 Web 界面和 MCP 服务，适合放进自己的内网或服务器。
优点和不足
优点很明确：它把提示词优化从“让模型随便改改”变成了一个可重复的流程，支持迭代、测试、对比和保存。多端覆盖也比较完整，轻量使用和自托管都能找到对应方案。纯客户端架构和本地存储，对在意数据路径的人比较友好。桌面端还能绕开不少浏览器限制，接本地模型更方便。
不足也要提前说清楚。第一，它依赖你自己的模型 API，没有 API Key 就用不起来，在线版也不会送你额度。第二，Web 版受浏览器 CORS 和混合内容策略影响，本地 Ollama 不一定能直接连上，遇到这种情况换桌面版或 Docker 更省心。第三，提示词优化不是效果保证。模型能力、任务难度、评估方式都会影响结果，优化后的提示词仍然需要你自己判断。第四，Docker 公开部署涉及密钥管理和访问控制，配错了会有安全风险。第五，项目采用 AGPL-3.0，个人使用和内部使用问题不大，但如果基于它做对外网络服务，需要认真看协议里的开源义务。
适合谁，不适合谁
如果你经常用 AI 写代码、做方案、整理资料、生成配图，或者本身就是做提示词工程、Agent 工作流的人，这个项目值得放进工具箱。它最适合那种“脑子里有想法，但一时说不清楚”的场景，也适合需要反复测试不同模型效果的人。
如果你期待打开就能用、不想配置任何 API Key，或者希望优化一次就得到完美结果，它可能会让你失望。它更像一个需求整理台，而不是魔法按钮。把话说清楚，本来就是用好 AI 的一部分，Prompt Optimizer 做的就是把这一步变得更有章法。

图片预览

prompt-optimizer主界面图片