LLM之Tool：prompt-optimizer的简介、安装和使用方法、案例应用之详细攻略
目录
[2）Web 部署](#2）Web 部署)
[4）Chrome 插件安装](#4）Chrome 插件安装)
[5）Docker 运行](#5）Docker 运行)
[6）Docker Compose 运行](#6）Docker Compose 运行)
[8）API Key 配置](#8）API Key 配置)
[1）MCP 使用](#1）MCP 使用)
[1）"红队审稿 / Hard-Nosed Reviewer"](#1）“红队审稿 / Hard-Nosed Reviewer”)
[2）闲鱼砍价回复 / Marketplace Bargaining Reply](#2）闲鱼砍价回复 / Marketplace Bargaining Reply)
[3）文生图 / Floating Library Text-to-Image](#3）文生图 / Floating Library Text-to-Image)
[4）MCP 集成场景](#4）MCP 集成场景)
prompt-optimizer的 简介
Prompt Optimizer 是一个用于"优化提示词"的 AI 工具，目标是帮助用户写出更好的 AI Prompt，从而提升模型输出质量。仓库说明里明确写到，它支持四种使用方式：Web 应用、桌面应用、Chrome 插件和 Docker 部署。它不仅能对手写提示词进行优化，也支持从模板、本地导入或 Prompt Garden 等来源导入提示词，再进一步进行优化、测试、评估，并保存为可复用的提示词资产。
从产品定位来看，它不是单纯的"提示词扩写器"，而是一个围绕提示词全流程工作的工具：输入提示词、优化提示词、测试效果、做对比评估、沉淀收藏与复用。官方还强调它是纯前端项目，在线版的数据只保存在浏览器本地，不会上传到服务器。
1、特点
|----------------------|-------------------------------------------------------------------------------------------------------------|
| 智能优化与双模式优化 | 支持"一键优化"提示词，通过多轮迭代提升准确度；提供系统提示词优化和用户提示词优化两种模式。具备分析、单结果评估、多结果对比评估及基于评估的智能改写能力。 |
| 多模型集成 | 支持主流 AI 模型，包括 OpenAI、Gemini、DeepSeek、Grok、智谱 AI（Zhipu AI）、SiliconFlow、MiniMax 等；API 配置部分还列出自定义 OpenAI 兼容接口。 |
| 图像生成能力 | 支持文生图（T2I）、图生图（I2I）和多图生图，兼容 Gemini、Seedream、Grok 等图像模型，并提供参数配置、实时预览、下载保存及风格迁移功能。 |
| 提示词来源管理与智能收藏 | 支持从手写、模板、本地文件或 Prompt Garden 提示词库导入，可同时保存元数据、媒体、示例和来源绑定。收藏内容具备版本历史、可复现示例、媒体支持和完整备份导入导出。 |
| 高级测试模式 | 支持上下文变量管理、批量替换、变量预览、多轮会话测试，以及 OpenAI / Gemini 的 Function Calling 集成；文本模式下支持分析、评估、对比评估和基于评估的智能改写。 |
| 安全与部署友好 | 架构为纯客户端处理，数据直接与 AI 服务商交互，不经中间服务器；支持密码保护，适合私有部署。同时支持 MCP 协议，可与 Claude Desktop 等应用集成。 |
| 多端可用 | 提供在线版、Vercel/Cloudflare Web 部署、桌面应用、Chrome 插件、Docker 和 Docker Compose 等多种使用与部署方式；桌面版支持自动更新，压缩包版本解压即用。 |
2、实现思路
Prompt Optimizer 最核心的闭环逻辑：
优化 → 评估 → 不达标则再次优化 → 达标则保存
这一机制通过 "评估驱动的智能重写"（Evaluation-driven Smart Rewrite） 实现，确保提示词经过充分迭代后才成为可复用的资产。
| 阶段 | 核心动作 | 关键特性 |
|---|---|---|
| 步骤一：获取提示词 | 从四种来源选择初始提示词 | 手动编写 / 内置模板 / 本地导入 / Prompt Garden |
| 步骤二：配置参数 | 选择优化模式与目标模型 | 支持 System/User 双模式优化；集成 OpenAI、Gemini、DeepSeek、Grok 等多模型 |
| 步骤三：执行优化 | 一键触发多轮迭代改进 | 多轮迭代优化（Multi-round Iterative Improvement） |
| 步骤四：评估效果 | 单结果评估或多结果对比 | 支持分析、单结果评估、多结果对比评估；评估驱动智能重写（Evaluation-driven Smart Rewrite） |
| 步骤五：保存资产 | 存入智能收藏夹 | 带版本历史、来源绑定、可复现示例；支持完整备份导出/导入 |
| 步骤六：高级测试与部署 | 变量管理 / 多轮对话 / Function Calling | 上下文变量管理、多轮对话测试、Function Calling 支持；四种部署方式：Web / 桌面 / Chrome 扩展 / Docker |
prompt-optimizer的安装和使用方法
1、安装
1）在线版直接使用
仓库推荐先用在线版，直接访问官方在线优化器即可。官方说明在线版是纯前端项目，所有数据只存储在浏览器本地，不会上传到服务器。
地址 ：https://prompt.always200.com/
2）Web 部署
如果要自己部署网页版本，官方给出了 Vercel 和 Cloudflare 两种主流方案。
Vercel 方案里，官方建议先 Fork 仓库，再导入到 Vercel，这样便于后续同步上游更新；可配置 ACCESS_PASSWORD 做访问限制，VITE_OPENAI_API_KEY 等则用于私有部署，但公开前端部署时不建议预置 API Key，因为 VITE_* 变量会暴露在浏览器资源中。
Cloudflare 部署方面，公开仓库可以直接使用 "Deploy to Cloudflare" 按钮；若是私有仓库或更严格权限场景，则手动导入仓库。文档还提醒，如果 Cloudflare 自动填入 pnpm run build，需要清空构建命令，因为 wrangler.jsonc 已经负责构建 Web 前端并发布静态资源。
3）桌面应用安装
桌面应用可从 GitHub Releases 下载最新版本。官方说明提供安装程序和压缩包两种格式：.exe、.dmg、.AppImage 等属于推荐安装方式，支持自动更新；.zip 适合解压即用，但不能自动更新。官方还特别强调桌面版可以绕开浏览器 CORS 限制，便于直接连接本地 Ollama 或商业 API。
4）Chrome 插件安装
Chrome 插件可从 Chrome Web Store 安装，安装后点击图标即可打开 Prompt Optimizer。官方也提示，商店版本可能因为审核延迟而不是最新版本。
5）Docker 运行
仓库给出了直接运行容器的示例。默认方式可用 docker run -d -p 8081:80 --restart unless-stopped --name prompt-optimizer linshen/prompt-optimizer 启动；如果要配置 API Key 和密码保护，也可以通过环境变量传入，例如 VITE_OPENAI_API_KEY、ACCESS_USERNAME、ACCESS_PASSWORD。
6）Docker Compose 运行
Docker Compose 部署流程是：克隆仓库，复制或创建 .env 文件，配置 API Key 和认证信息，然后执行 docker compose --env-file .env -f docker/docker-compose.yml up -d。启动后，Web 界面默认访问 http://localhost:8081，MCP 服务访问 http://localhost:8081/mcp。
7）本地开发
如果是开发者想本地运行，官方流程是先克隆仓库，然后执行 pnpm install，再使用 pnpm dev 启动主开发流程；另外还有 pnpm dev:web 和 pnpm dev:fresh 等命令。
8）API Key 配置
官方提供两种配置方式。第一种是在界面里进入 Settings，打开 Model Management，选择模型后填写 API Key 并保存；第二种是在 Docker 环境里通过环境变量配置。文档同时列出高级 llmParams 配置，说明可以为不同模型设置诸如 temperature、max_tokens、top_p 等参数。
2、使用方法
1）MCP 使用
Prompt Optimizer 已支持 MCP 协议，可接入 Claude Desktop 等兼容应用。官方示例中，在 Claude Desktop 的配置里加入服务地址 http://localhost:8081/mcp 即可；在 Docker 环境中，MCP Server 会与 Web 应用一起运行，并通过同一端口的 /mcp 路径访问。官方还列出了 MCP 工具：optimize-user-prompt、optimize-system-prompt 和 iterate-prompt。
prompt-optimizer的案例应用
1）"红队审稿 / Hard-Nosed Reviewer"
仓库的演示案例之一，是把一个很简短的英文角色提示词优化成更像"强硬审稿人"的风格。优化后，小模型会从泛泛的附和或笼统反对，转向更结构化的批判式审查，能指出论点漏洞、证据缺口和具体修改建议。这个案例展示了它在"让模型更会批判、更会分析"方面的价值。
2）闲鱼砍价回复 / Marketplace Bargaining Reply
第二个案例是面向二手交易或议价场景的可复用提示词模板。用户只要替换商品信息、价格底线、买家报价、语气和谈判目标等变量，就能把同一套模板复用到不同交易对话中。优化后，模型输出会更像真实交易回复，而不是通用型助手答复。
3）文生图 / Floating Library Text-to-Image
第三个案例展示了文生图优化能力。仓库说明中举的例子是从一句非常简短的想法"夜空中的漂浮图书馆"出发，优化后补充出更清晰的主体、空间关系和情绪锚点，使最终生成更像一张可继续打磨的主视觉，而不是依赖模型自由发挥的"碰运气式"结果。
4）MCP 集成场景
除了直接在 Prompt Optimizer 里优化提示词，仓库还提供了 MCP 接入案例。通过 MCP，Claude Desktop 之类的应用可以直接调用优化工具，把"优化用户提示词""优化系统提示词""迭代成熟提示词"纳入外部工作流。这个场景说明它不只是一个单独网页工具，也可以作为 AI 工作流中的能力节点。