使用说明
快速学习MCP服务器
随着时间的推移而学习的状态提示优化。
MCP（模型上下文协议）服务器，使用研究支持的技术（APE、OPRO、DSPy模式）优化您的提示，并通过基于嵌入的检索从性能历史中学习。
特性
- 🧠 智能优化：使用实际的基于LLM的评估，而不是启发式方法
- 📚 随着时间的推移学习：将即时性能存储在矢量数据库中
- 🔍 RAG供电：检索类似的高性能提示
- ⚡ 基于模式的速赢：无需API调用即可实现即时改进
- 📊 分析：跟踪跨域的工作情况
快速安装
curl -fsSL https://someclaudeskills.com/install/prompt-learning.sh | bash
或手动：
cd ~/mcp-servers/prompt-learning
npm install
npm run build
npm run setup
需求
- Node.js 18+
- Docker（适用于Qdrant和Redis）
- OpenAI API密钥（用于嵌入）
用法
安装后，在Claude Code中使用这些工具：
optimize_prompt
使用基于模式和基于RAG的技术优化提示：
"optimize this prompt: summarize the document"
返回带有改进详细信息的优化提示。
retrieve_prompts
查找类似的高性能提示：
"find similar prompts for: code review feedback"
record_feedback
记录提示的执行方式（使学习成为可能）：
"record that my last prompt succeeded with quality score 0.9"
suggest_improvements
无需完全优化即可获得快速建议：
"suggest improvements for this prompt: [your prompt]"
get_analytics
查看性能趋势：
"show prompt analytics for the last 30 days"
运作原理
冷启动（无历史记录）
- 基于模式的改进：添加结构、思维链、约束
- OPRO风格迭代：LLM生成候选人、评估、选择最佳人选
- APE风格生成：创建多个指令变体
温暖的开始（与历史）
- 嵌入提示：创建向量表示
- 检索类似内容：从数据库中查找高性能提示
- 向胜利者学习：从有效的方法中综合改进
- 根据反馈进行迭代：使用评估来指导优化
评估
所有提示均由LLM评估员在以下方面评分：
- 清晰度 （25%）：多么明确
- 特异性 （25%）：适当的指导水平
- 完整性 （20%）：涵盖所有要求
- 结构 （15%）：组织良好
- 有效性 （15%）：可能产生预期的产出
建筑
Claude Code
│
│ MCP Protocol
▼
┌─────────────────────────────┐
│ prompt-learning MCP Server │
│ │
│ Tools: │
│ • optimize_prompt │
│ • retrieve_prompts │
│ • record_feedback │
│ • suggest_improvements │
│ • get_analytics │
└─────────┬───────────────────┘
│
┌─────┴─────┐
▼ ▼
┌───────┐ ┌───────┐
│Qdrant │ │ Redis │
│(Vector│ │(Cache)│
│ DB) │ │ │
└───────┘ └───────┘
配置
克劳德代码配置（~/.Claude.json）
{
"mcpServers": {
"prompt-learning": {
"command": "node",
"args": ["~/mcp-servers/prompt-learning/dist/index.js"],
"env": {
"VECTOR_DB_URL": "http://localhost:6333",
"REDIS_URL": "redis://localhost:6379",
"OPENAI_API_KEY": "sk-..."
}
}
}
}
环境变量
| 变量 | 默认值 | 描述 |
|---|---|---|
VECTOR_DB_URL |
http://localhost:6333 |
Qdrant服务器URL |
REDIS_URL |
redis://localhost:6379 |
重定向服务器URL |
OPENAI_API_KEY |
（必填） | 用于嵌入 |
发展
# Install dependencies
npm install
# Run in development mode
npm run dev
# Build for production
npm run build
# Run setup (starts Docker, initializes DB)
npm run setup
# Run tests
npm test
故障排除
MCP服务器未启动
检查Docker容器是否正在运行：
docker ps | grep prompt-learning
矢量数据库连接失败
# Check Qdrant health
curl http://localhost:6333/health
# Restart Qdrant
docker restart prompt-learning-qdrant
未见改善
- 确保OPENAI_API_KEY设置正确
- 检查克劳德代码日志：
~/.claude/logs/mcp.log - 先尝试一个简单的提示
研究基金会
此服务器实现了以下技术：
- 猿 （周等，2022）：自动提示工程师
- OPRO （Yang等人，2023）：通过激励进行优化
- DSPY （Khattab等人，2023）：程序化提示优化
- 上下文检索 （Anthropic，2024）：增强的嵌入检索
许可证
麻省理工学院
链接
- 文档: https://www.someclaudeskills.com/skills/automatic-stateful-prompt-improver
- 技能定义：部分 克劳德的一些技能 收集
- GitHub: https://github.com/erichowens/prompt-learning-mcp
- 问题: https://github.com/erichowens/prompt-learning-mcp/issues
