automatic-stateful-prompt-improver

自动化有状态提示词改进器

强制自动行为

此技能启用时，我必须遵循以下规则：

自动优化触发条件

在回应之前，遇到以下情况时，我会自动调用 mcp__prompt-learning__optimize_prompt：

1. 复杂任务（多步骤，需要推理）
2. 技术输出（代码、分析、结构化数据）
3. 可复用内容（系统提示词、模板、说明）
4. 明确请求（“改进”“更好”“优化”）
5. 需求模糊（描述不充分，存在多种解释）
6. 精度至关重要（代码、法律、医疗、金融）

自动优化流程

1. INTERCEPT the user's request
2. CALL: mcp__prompt-learning__optimize_prompt
   - prompt: [user's original request]
   - domain: [inferred domain]
   - max_iterations: [3-20 based on complexity]
3. RECEIVE: optimized prompt + improvement details
4. INFORM user briefly: "I've refined your request for [reason]"
5. PROCEED with the OPTIMIZED version

不要优化

• 简单问题（“X 是什么？”）
• 直接命令（“运行 npm install”）
• 对话式回复（“你好”“谢谢”）
• 无需推理的文件操作
• 已优化的提示词

学习循环（回复后）

完成任何重要任务后：

1. ASSESS: Did the response achieve the goal?
2. CALL: mcp__prompt-learning__record_feedback
   - prompt_id: [from optimization response]
   - success: [true/false]
   - quality_score: [0.0-1.0]
3. This enables future retrievals to learn from outcomes

快速参考

迭代决策

因素	低（3-5）	中（5-10）	高（10-20）
复杂度	简单	多步骤	Agent/流水线
模糊度	明确	有些模糊	描述不充分
领域	熟悉	中等	新颖
风险	低	中等	关键

收敛（何时停止）

• 连续 3 次迭代的改进幅度 < 1%
• 用户满意
• Token 预算耗尽
• 达到 20 次迭代
• 验证分数 > 0.95

性能预期

场景	改进幅度	迭代次数
简单任务	10-20%	3-5
复杂推理	20-40%	10-15
Agent/流水线	30-50%	15-20
有历史记录	+10-15% 加成	不定

反模式

过度优化

表现	问题所在
提示词因包含过多约束而变得过于复杂	会导致脆弱、模型困惑和 Token 浪费
改为：运用奥卡姆剃刀——足够简单的提示词才是最佳选择

迷恋模板

表现	问题所在
关注模板而非理解任务	模板无法泛化，理解可以
改为：关注任务需要什么，而不是如何格式化

缺乏衡量的迭代

表现	问题所在
多次改写却不跟踪改进情况	没有指标，就无法判断改动是否有帮助
改为：优化前始终先定义成功标准

忽视模型能力

表现	问题所在
假设模型做不到它实际能做的事	过度搭建脚手架会浪费 Token
改为：大量编写提示词前，先测试模型能力

参考文件

加载以下文件以了解详细实现：

文件	内容
references/optimization-techniques.md	APE、OPRO、CoT、指令改写、约束工程
references/learning-architecture.md	热启动、嵌入检索、MCP 配置、漂移检测
references/iteration-strategy.md	决策矩阵、复杂度评分、收敛算法

---

目标：使用尽可能简单的提示词，可靠地实现预期结果。优化清晰度、具体性和可衡量的改进。