prompt-optimizer 完全实践指南：30 分钟改写出更好的提示词，一条命令私有化部署

prompt-optimizer 完全实践指南：30 分钟改写出更好的提示词，一条命令私有化部署

【免费下载链接】prompt-optimizerAn AI prompt optimizer for writing better prompts and getting better AI results.项目地址: https://gitcode.com/GitHub_Trending/pro/prompt-optimizer

写完提示词，模型输出还是平庸，改两遍仍差口气。瓶颈往往不在模型，而在提示词本身。prompt-optimizer 把你的原始提示词重写增强，再在测试区用同一条输入跑出优化前后的对比，让你直接看到差距。Web、桌面端、Chrome 扩展、Docker 四种用法，功能一致。

快速判断：它适不适合你

先看这张表，判断要不要花这 30 分钟：

第一次实操：四步拿到第一个优化结果

第一步，拉代码跑起来。

git clone https://gitcode.com/GitHub_Trending/pro/prompt-optimizer cd prompt-optimizer pnpm install pnpm dev

构建完成、终端弹出本地地址，打开就能用。

第二步，配一个模型。右上角"模型管理"，选 DeepSeek 之类的提供商，填 API 密钥和模型，点"测试连接"。绿灯亮起保存即可，这一步通常两分钟内完成。

第三步，写一句提示词去优化。左侧框输入"帮我写一封给同事的工作进度提醒邮件，语气礼貌，100 字以内"，选好模型与模板，点"优化"。一分钟后，右侧工作区给出带收件对象、说明目的、字数限制等结构化要求的增强版。

第四步，在测试区跑对比。别只看优化后的文字，那最骗人。展开右侧测试区，用同一条测试输入分别跑原始提示词和优化后的提示词，左右两列输出并排看，这才是判断依据。

功能深潜：三个真实使用场景

用对比评估代替感觉

场景：优化版提示词看着漂亮，但模型实际输出真的更好吗？测试区支持 2/3/4 列并排跑不同版本，配合单结果评估与多结果对比评估，让模型当裁判给各版本打分，"变好"不再靠主观印象。

变量模式：一套模板跑很多单

场景：闲鱼砍价回复。模板固定，换入商品、要价、买家出价、瑕疵、语气五个变量，变量工作区自动提取[[item]]、[[price]]这类占位符，支持批量替换和渲染预览。同一个模型，换一组变量就能产出完全不同策略的回复。提示词从"一次性文本"变成可复用资产，靠的就是这一步。

一句话变成可出图的视觉提示词

场景：图像生成。文生图、图生图、多图生成与风格迁移都支持。把含糊的"夜空中的悬浮图书馆"喂进去，优化后会补上主体线索、空间关系、氛围锚点，从"可能撞脸"变成能当概念图用的提示词。Gemini、Seedream、Grok 等图像模型与文本模型共用同一套配置流程，详见图像模式文档。

进阶与集成：三件按需做的事

接入本地模型或自建网关。什么时候需要：内置列表没有 Ollama、自建 OpenAI 兼容服务、公司内部模型时。配三组环境变量，后缀自取（字母、数字、下划线、连字符，50 字符内，数量不限）：

• VITE_CUSTOM_API_KEY_<suffix>：API 密钥
• VITE_CUSTOM_API_BASE_URL_<suffix>：基础地址，Ollama 填http://localhost:11434/v1
• VITE_CUSTOM_API_MODEL_<suffix>：模型名，如qwen2.5:7b

新模型立刻出现在列表里。可选VITE_CUSTOM_API_PARAMS_<suffix>注入额外 JSON 请求参数（不能覆盖 model/messages/stream 三个保留字段）。完整规则见多自定义模型文档。

调参：llmParams 高级参数。什么时候需要：默认温度、长度不合场景时。每个模型支持按 key-value 填 temperature、max_tokens、timeout 等参数，用法见LLM 参数指南。

接入 MCP：在 Claude Desktop 里直接调用优化。什么时候需要：想让自己的 AI 客户端直接触发优化能力时。MCP 端点暴露optimize-user-prompt、optimize-system-prompt、iterate-prompt三个工具，Docker 部署时随容器启动。配置与客户端接入见MCP 服务器指南。

上线与运维：Docker 一条命令私有化

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

起来之后 Web 在http://localhost:8081，MCP 在同端口/mcp路径。关键变量：

资源占用不用担心：纯前端加一个 MCP 进程，1 核 1G 容器足够。真正的成本在模型调用——优化加对比评估链路会多次调模型，低预算就用小模型跑测试区，大模型留给最终评估。

两个安全坑必须说：其一，公开的前端部署别把密钥预置进VITE_*变量，这些值会打进浏览器产物、任何人可见，不如不预置、让用户各自在设置面板填；其二，docker-compose 配置 里示例密码123456只是占位，对外上线前一定改掉。

诚实评估：边界与适合谁

先说不覆盖的场景：Web 版受浏览器 CORS 限制，连不上部分跨域策略严格的商业 API，这类情况换桌面端或走 API 代理，桌面端无 CORS 限制且能直连本地 Ollama。数据存在浏览器本地存储（桌面端用本地文件库），靠导出备份，没有多用户协作和团队权限。macOS 桌面版未签名，首次打开要用xattr去掉隔离属性。

演进方向看 roadmap 集中在三处：工作区 / 项目管理（把提示词集合变成可管理的项目）、与 Prompt Garden 的资产互通加深、模型与图像生成服务商持续扩充。

一句话判断：优化、测试、存成资产这三步已经闭环，如果你日常用 LLM 且想沉淀提示词资产，一天内能搭出可用的私有工作流；只想要一次性生成提示词的话，这工具偏重了。架构细节可看开发指南与项目结构说明。

【免费下载链接】prompt-optimizerAn AI prompt optimizer for writing better prompts and getting better AI results.项目地址: https://gitcode.com/GitHub_Trending/pro/prompt-optimizer