Prompt Optimizer 是一個開源的提示詞優化工具，目標很直接：幫助你把一段粗糙的提示詞改得更清楚、更穩定，也更容易被大型語言模型執行。

它不只是一個「幫我潤飾 prompt」的頁面。專案同時提供提示詞優化、結果測試、對比評估、多模型接入、圖像生成提示詞處理，以及 MCP 整合。對經常寫系統提示詞、使用者提示詞、AI 工作流模板的人來說，它更像一個專門用來打磨提示詞的工作台。

它解決什麼問題

很多人使用 AI 時都會遇到類似問題：

• 提示詞越寫越長，但模型輸出沒有明顯變好
• 同一個需求換個模型就表現不穩定
• 系統提示詞和使用者提示詞混在一起，很難拆開除錯
• 改了一版 prompt，不知道是不是真的比上一版更好
• 想複用變數模板，但每次都要手動替換和測試
• 想把提示詞優化能力接入其他 AI 工具，卻缺少標準介面

Prompt Optimizer 主要圍繞這些問題設計。它把「寫 prompt」拆成優化、測試、評估、對比、迭代幾個環節，讓提示詞不再只靠感覺調整。

主要功能

1. 優化系統提示詞和使用者提示詞

提示詞並不只有一種。

系統提示詞通常負責定義角色、目標、邊界、輸出規範和工作方法；使用者提示詞則更接近一次具體任務的輸入。兩者混在一起時，模型容易抓不住重點，後續複用也困難。

Prompt Optimizer 支援系統提示詞優化和使用者提示詞優化。你可以分別處理長期複用的角色設定，也可以處理某次具體任務的輸入表達。

這對下面幾類場景比較有用：

• 寫 AI 編程助手的工作規則
• 寫客服、審稿、翻譯、分析類角色提示詞
• 優化文生圖提示詞
• 把臨時需求整理成可複用模板
• 為不同模型準備不同風格的 prompt

2. 測試和對比輸出

只優化提示詞還不夠，關鍵是要知道優化後有沒有變好。

專案支援分析、單結果評估、多結果對比評估。也就是說，你可以把原始提示詞和優化後的提示詞放到同一個任務裡跑，看模型輸出是否更準確、更穩定、更符合目標。

這比單純「看起來更專業」的 prompt 更實用。因為很多提示詞表面上寫得完整，實際輸出卻可能更囉嗦、更僵硬，甚至把模型引向錯誤方向。對比測試能幫助你盡早發現這種問題。

3. 支援多模型

README 中提到專案支援 OpenAI、Gemini、DeepSeek、智譜 AI、SiliconFlow 等模型服務，也支援自訂 OpenAI 相容介面。

這點很重要。提示詞效果和模型強相關，同一段 prompt 在不同模型上的表現可能差別很大。多模型測試可以幫助你判斷：

• 是提示詞本身寫得不好
• 還是某個模型不適合這個任務
• 是否需要為不同模型準備不同版本
• 小模型能否透過更清楚的提示詞接近可用效果

如果你在本地使用 Ollama，或者公司內部有相容 OpenAI 介面的模型服務，也可以透過自訂介面接入。

4. 高級測試模式

專案提供上下文變數管理、多輪會話測試和 Function Calling 支援。

變數管理適合模板化任務。比如你有一套二手交易回覆、商品描述、郵件回覆、程式碼審查或文件生成提示詞，只需要替換商品、價格、語氣、目標使用者等變數，就能快速測試不同輸入下的表現。

多輪會話測試適合驗證長期對話能力。很多 prompt 在單輪問答裡看起來不錯，一旦進入多輪追問，就會忘記約束、偏離角色或重複解釋。多輪測試可以更接近真實使用場景。

Function Calling 支援則適合更工程化的 AI 應用。它能幫助你驗證模型在工具呼叫、參數生成和結構化輸出上的表現。

5. 圖像生成提示詞

Prompt Optimizer 也支援文生圖和圖生圖相關能力，README 中提到整合 Gemini、Seedream 等圖像模型。

文生圖提示詞的優化重點和文字任務不同。它更關注主體、構圖、空間關係、風格、材質、光線、情緒和限制條件。把一句很模糊的想法拆成更可控的視覺描述，通常比單純加長提示詞更有價值。

如果你經常需要生成產品圖、封面、插畫、主視覺或風格參考圖，這類優化會比較實用。

使用方式

專案提供多種入口：

• 線上版本
• Vercel 自部署
• 桌面應用
• Chrome 擴充功能
• Docker 部署
• Docker Compose 部署
• MCP Server

線上版本適合快速體驗。專案說明中提到它是純前端應用，資料儲存在瀏覽器本地，並直接與 AI 服務商互動。

桌面應用適合需要直接連接各種模型 API 的使用者。瀏覽器環境容易遇到跨域限制，桌面應用可以繞過這類問題，尤其適合連接本地 Ollama 或一些跨域策略嚴格的商業 API。

Docker 部署適合放在自己的伺服器或內網環境裡使用。README 給出的基礎命令如下：

1

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

如果要配置 API 金鑰和存取密碼，可以透過環境變數傳入：

1
2
3
4
5
6
7

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

國內存取 Docker Hub 較慢時，專案也提供了阿里雲映像地址，可按 README 中的說明替換映像名稱。

MCP 能做什麼

Prompt Optimizer 支援 Model Context Protocol，也就是 MCP。

透過 Docker 執行時，MCP 服務可以和 Web 應用一起啟動，並透過 /mcp 路徑存取。這樣它就不只是一個網頁工具，而是可以被 Claude Desktop 等支援 MCP 的應用呼叫。

README 中列出的 MCP 工具包括：

• optimize-user-prompt：優化使用者提示詞
• optimize-system-prompt：優化系統提示詞
• iterate-prompt：對已有提示詞做定向迭代

這類介面很適合放進 AI 工作流裡。比如你在寫複雜任務提示詞時，可以讓支援 MCP 的客戶端直接呼叫提示詞優化能力，而不必每次打開網頁手動複製。

和普通聊天工具有什麼區別

普通聊天工具當然也能幫你改 prompt，但它通常缺少幾個環節：

• 不方便保存和對比多個版本
• 不方便同時測試多個模型
• 不方便把變數模板化
• 不方便做多輪會話驗證
• 不方便接入 MCP 或部署到自己的環境

Prompt Optimizer 的價值在於把提示詞優化做成一個可重複的流程。它不只是給你一版「看起來更完整」的文字，而是讓你圍繞實際輸出持續調整。

適合誰使用

如果你符合下面幾種情況，可以重點關注這個專案：

• 經常寫系統提示詞
• 經常為 AI 應用設計角色和輸出格式
• 需要比較不同模型的輸出效果
• 想把 prompt 做成可複用模板
• 需要測試多輪對話或工具呼叫
• 想把提示詞優化能力接入 MCP 工作流
• 希望在本地或內網部署提示詞工具

如果你只是偶爾問 AI 一個簡單問題，用普通聊天頁面就夠了。這個工具更適合那些把提示詞當成可維護資產的人。

使用時要注意什麼

第一，不要把優化結果當成絕對正確。

提示詞優化工具可以提高表達品質，但不能保證模型一定不會誤解。重要任務仍然需要測試樣例、人工檢查和版本對比。

第二，不要只追求更長。

好的 prompt 不一定更長。它應該更清楚地表達目標、邊界、輸入輸出格式和判斷標準。無意義的規則堆疊反而會讓模型抓不住重點。

第三，要按模型調 prompt。

不同模型對角色設定、格式約束、推理步驟和範例的敏感度不同。一個在大模型上表現很好的提示詞，不一定適合小模型。多模型測試正是這個工具值得使用的原因之一。

第四，部署時要考慮金鑰和存取控制。

如果你把它部署到公網，應該配置存取密碼，並謹慎處理 API key。專案支援透過環境變數配置存取控制，不要把敏感配置直接寫到公開倉庫裡。

參考

• linshenkx/prompt-optimizer

最後一句

Prompt Optimizer 適合用來把提示詞從「臨時手寫的一段話」整理成「可以測試、可以比較、可以迭代的工作資產」。

當你開始在多個模型、多個場景、多個版本之間維護 prompt 時，這類工具會比普通聊天視窗更順手。