AI导哈

提示词优化工具

一款强大的提示词优化工具，提供创意、精确和快速三种优化风格，支持提示词评分和Groq LLM集成，适用于AI提示工程。

  • by Uzair-math
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 uzair-math/mcp-server

使用说明

快速优化器

一个强大的提示优化工具，使用不同的风格和人工智能优化生成改进的提示变体。

特性

  • 3种优化风格：创意、精准、快速
  • 快速评分：评估改进提示的有效性
  • Groq LLM集成：AI驱动的提示优化
  • MCP服务器：用于集成的模型上下文协议服务器
  • 交互式终端：用户友好的命令行界面

安装

# Clone the repository
git clone https://github.com/yourusername/prompt-optimizer.git
cd prompt-optimizer

# Install dependencies
pip install groq python-dotenv

快速开始

交互模式

python main.py

示范模式

python main.py demo

MCP服务器模式

python main.py server

用法

1.互动终端

运行交互式终端，逐步优化提示：

python main.py

从以下选项中选择：

  • 选项1：优化提示
  • 选项2：得分提示
  • 选项3：使用Groq LLM优化
  • 选项4：运行演示
  • 选项5：退出

2.程序化使用

from main import optimize_prompt, score_prompt, optimize_with_groq

# Optimize a prompt
variants = optimize_prompt("Write about AI", "creative")
print(variants)

# Score a prompt
score = score_prompt("Write about AI", "Craft a compelling narrative about AI")
print(score)

# Use Groq LLM
result = optimize_with_groq("Write about AI", "creative")
print(result)

优化样式

创意风格

用描述性形容词和富有想象力的语言增强提示。

例子：

  • 输入：“写人工智能”
  • 输出：
    • “打造一个关于人工智能的引人入胜的叙事”
    • “想象一下，你是这个领域的专家。写一篇关于人工智能的文章”
    • “以一种吸引和激励的方式写人工智能”

精准风格

通过删除多余的单词来创建简洁、集中的变体。

例子：

  • 输入：“请写一篇关于机器学习的非常详细的解释”
  • 输出：
    • “写一篇关于机器学习的详细解释”
    • “•机器学习基础\n•关键算法\n•应用程序”
    • “写一篇关于机器学习的详细解释。要具体简洁。”

快速风格

通过使用较短的单词和删除不必要的短语来优化快速处理。

例子：

  • 输入：“你能详细说明一下全面实施的情况吗？”
  • 输出：
    • “解释完整的实施过程”
    • “详细说明全面执行情况”
    • “快速回应：你能详细说明一下全面实施的情况吗？”

快速评分

评分算法根据以下因素评估即时改进：

  • 长度比 （40%重量）
  • 关键字保留 （30%重量）
  • 清晰度提高 （30%重量）

分数解释：

  • 0.8+：显著改善
  • 0.6-0.8：改善良好
  • 0.4-0.6：中度改善
  • <0.4：改善不佳

Groq LLM集成

该工具与Groq的LLM集成，用于AI驱动的提示优化。

设置

  1. 从获取Groq API密钥 Groq 控制台
  2. 创建一个 .env 项目根目录中的文件：
    GROQ_API_KEY=your-actual-api-key

用法

# Optimize with Groq
result = optimize_with_groq("Write about AI", "creative")
print(result)

MCP服务器

该工具包括一个模型上下文协议（MCP）服务器，用于与人工智能助手集成。

可用工具

  1. optimize_prompt：生成3个优化变体
  2. 记分_提示：评估即时有效性
  3. groq_优化：AI驱动的优化

Claude Desktop的安装

mcp install main.py --name "Prompt Optimizer"

例子

基本优化

from main import optimize_prompt

# Creative style
variants = optimize_prompt("Explain machine learning", "creative")
for i, variant in enumerate(variants, 1):
    print(f"Variant {i}: {variant}")

快速评分

from main import score_prompt

original = "Write about AI"
improved = "Craft a compelling narrative about artificial intelligence"
score = score_prompt(original, improved)
print(f"Score: {score:.3f}")

Groq集成

from main import optimize_with_groq

result = optimize_with_groq("Write about AI", "creative")
print(f"Groq optimized: {result}")

api参考

optimize_prompt(raw_prompt: str, style: str) -> List[str]

生成提示的3个优化变体。

参数：

  • raw_prompt：优化的原始提示
  • style：“创意”、“精确”或“快速”之一

退货：

  • 3个优化变体列表

score_prompt(raw_prompt: str, improved_prompt: str) -> float

评估改进提示的有效性。

参数：

  • raw_prompt：原始提示
  • improved_prompt：优化版本

退货：

  • 分数在0.0和1.0之间

optimize_with_groq(raw_prompt: str, style: str) -> str

使用Groq LLM优化提示。

参数：

  • raw_prompt：原始提示
  • style：优化风格

退货：

  • AI优化提示

配置

环境变量

  • GROQ_API_KEY：您的Groq API密钥（Groq集成所需）

默认API密钥

该工具包含一个用于测试的默认API密钥。对于生产使用，请在 .env 文件。

贡献

  1. 分叉存储库
  2. 创建要素分支(git checkout -b feature/amazing-feature)
  3. 提交您的更改(git commit -m 'Add amazing feature')
  4. 推到分支(git push origin feature/amazing-feature)
  5. 打开拉取请求

许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

致谢

支持

如果您遇到任何问题或有疑问，请在GitHub上打开问题。

由以下材料制成❤️ 为了更好的及时工程

相关 MCP