ts-prompt-optimizer

冬冬主人定制提示词优化器 - 完全个性化多模型支持智能路由集成使用前缀 "ts:" 触发

Install

openclaw skills install @chen435636097/ts-prompt-optimizer

TS-Prompt-Optimizer 技能文档

技能概述

TS-Prompt-Optimizer（Task Specification Prompt Optimizer）是专为冬冬主人定制的提示词优化技能，具有以下核心特点：

完全个性化 - 基于主人使用习惯和学习历史定制优化规则
多模型支持 - 智能选择最优模型进行提示词优化
智能路由集成 - 与现有模型路由系统深度集成
上下文感知 - 理解对话历史和任务背景
学习进化 - 从主人反馈中持续改进优化策略

触发机制

前缀触发

标准前缀：ts:（Task Specification）
备用前缀：ts-opt: 优化:
位置要求：必须位于消息开头（允许前导空格）
大小写：不敏感（TS: Ts: tS: 均可）

触发示例

text

ts: 帮我写一个Python脚本
ts-opt: 分析这张图片
优化: 总结这篇文章

功能特点

1. 智能前缀检测

多前缀支持：ts: ts-opt: 优化: 三种触发方式
灵活匹配：大小写不敏感，支持前导空格
快速响应：检测时间 < 100ms

2. 多模型智能路由

成本优先：简单任务使用DeepSeek（成本低）
能力优先：复杂任务使用千问（能力强）
自动切换：根据任务复杂度自动选择最优模型
故障转移：主模型失败时自动切换到备用模型

3. 个性化优化规则

主人专属：基于冬冬主人使用习惯定制
任务分类：自动识别技术写作分析创意等任务类型
上下文感知：结合对话历史进行优化
持续学习：从主人反馈中不断改进

4. 完整配置系统

环境变量：支持DEEPSEEK_API_KEY和BAILIAN_API_KEY
交互式向导：config_wizard.py 提供友好配置界面
命令行工具：ts-config 提供完整配置管理功能
状态检查：实时监控配置状态和模型可用性

5. 性能优化

快速响应：优化过程 < 2秒
成本控制：优化成本 < 任务成本的10%
资源高效：内存占用低，无外部依赖
稳定可靠：完善的错误处理和恢复机制

使用方法

基本使用

直接在对话中使用 ts: 前缀触发优化：

text

ts: 帮我写个Python爬虫脚本
ts-opt: 分析这个季度的销售数据
优化: 为新产品写个营销文案

高级使用

1. 指定任务类型

可以在前缀后添加任务类型提示：

text

ts: [技术] 设计数据库表结构
ts: [写作] 写封商务邮件
ts: [分析] 分析用户行为数据

2. 添加约束条件

在任务描述中明确约束：

text

ts: 写个Python函数，要求：
- 使用异步编程
- 支持错误重试
- 输出JSON格式

3. 结合上下文

优化器会自动结合对话历史：

text

用户：我之前在做电商项目
用户：ts: 帮我设计用户表结构
优化器：会结合电商项目上下文进行优化

配置管理

1. 初始配置

bash

# 进入技能目录
cd skills/ts-prompt-optimizer/scripts

# 运行配置向导
python config_wizard.py

# 或使用命令行工具
ts-config setup

2. 状态检查

bash

ts-config status      # 查看配置状态
ts-config check       # 检查配置问题
ts-config test        # 测试模型连接

3. 模型管理

bash

ts-config show        # 显示模型详情
ts-config get deepseek  # 获取特定模型配置
ts-config optimize "测试优化功能"  # 测试优化功能

配置系统

配置文件结构

TS-Prompt-Optimizer 使用分层配置系统：

默认配置：config/model_config.json - 基础模型配置
用户配置：~/.openclaw/ts-optimizer-config.yaml - 用户个性化配置
环境变量：DEEPSEEK_API_KEY BAILIAN_API_KEY - API密钥
运行时配置：内存中的动态配置

配置优先级

text

环境变量 > 用户配置文件 > 默认配置文件

配置项说明

模型配置

yaml

models:
  deepseek:
    provider: deepseek
    model: deepseek-chat
    api_key_env: DEEPSEEK_API_KEY
    enabled: true
    priority: 1
    cost_per_1k_tokens: 0.42
    capabilities:
      - 日常对话
      - 简单优化
      - 代码审查

  qwen35:
    provider: bailian
    model: qwen3.5-plus
    api_key_env: BAILIAN_API_KEY
    enabled: true
    priority: 2
    cost_per_1k_tokens: 0.00
    capabilities:
      - 复杂任务
      - 图像识别
      - 中文写作

  qwen_coder:
    provider: bailian
    model: qwen3-coder-next
    api_key_env: BAILIAN_API_KEY
    enabled: true
    priority: 3
    cost_per_1k_tokens: 0.00
    capabilities:
      - 技术开发
      - 代码生成
      - 系统设计

路由策略

yaml

routing:
  strategy: cost_effective  # 成本优先策略
  fallback_model: deepseek  # 备用模型
  cost_threshold: 1.00      # 成本阈值（美元/千token）

用户偏好

yaml

user_preferences:
  default_optimization_level: standard
  show_config_summary: true
  auto_test_connections: true
  preferred_output_formats:
    code: "完整代码 + 注释 + 测试"
    report: "Markdown + 数据可视化"
    email: "正式商务邮件格式"

配置验证

配置系统会自动验证：

API密钥有效性：检查密钥格式和权限
模型可用性：测试模型连接状态
配置完整性：检查必需配置项
环境兼容性：检查系统环境和依赖

配置备份与恢复

bash

# 备份配置
ts-config backup

# 恢复配置
ts-config restore backup_20240404.yaml

# 导出配置
ts-config export > my_config.yaml

# 导入配置
ts-config import < my_config.yaml

前缀触发

标准前缀：ts:（Task Specification）
备用前缀：ts-opt: 优化:
位置要求：必须位于消息开头（允许前导空格）
大小写：不敏感（TS: Ts: tS: 均可）

触发示例

text

ts: 帮我写一个Python脚本
ts-opt: 分析这张图片
优化: 总结这篇文章

配置系统

多模型API配置

TS-Prompt-Optimizer 支持多种AI模型，需要配置相应的API密钥：

配置方式：

环境变量（推荐）：

bash

export DEEPSEEK_API_KEY="sk-xxx"
export BAILIAN_API_KEY="sk-yyy"

交互式配置向导：

bash

cd skills/ts-prompt-optimizer/scripts
python config_wizard.py

命令行工具：

bash

ts-config setup      # 运行配置向导
ts-config status     # 查看配置状态
ts-config test       # 测试模型连接
ts-config check      # 检查配置问题

支持的模型：

DeepSeek：日常对话简单任务（成本低）
千问 3.5 Plus：复杂任务图像识别（免费额度）
千问 Coder Next：技术开发代码生成（免费额度）
自定义模型：支持其他AI模型

配置检查：

运行以下命令检查配置状态：

bash

ts-config status

输出示例：

text

TS-Prompt-Optimizer 配置状态
============================================================
总模型数: 3
已配置模型: 2
启用模型: 3

模型详情：
  deepseek: deepseek/deepseek-chat [可用]
  qwen35: bailian/qwen3.5-plus [可用]
  qwen_coder: bailian/qwen3-coder-next [启用但未配置]

优化流程（四层架构）

层 1：输入处理

text

原始输入   前缀检测   意图提取   上下文分析

层 2：多模型优化

text

原始意图   模型选择器   发送到最优模型   返回优化结果

模型选择策略：

简单优化（日常对话简单任务） DeepSeek（成本低）
复杂优化（技术任务创意写作）千问 3.5 Plus（免费且能力强）
专业优化（特定领域任务）其他专业模型

层 3：个性化适配

text

优化结果   主人偏好适配   应用个性化规则   最终提示词

个性化规则来源：

memory/ts-optimization-history.md - 历史优化案例
memory/dongdong-preferences.md - 主人明确偏好
实时对话上下文分析

层 4：执行与反馈

text

最终提示词   执行   收集反馈   更新知识库

优化原则（冬冬主人定制版）

1. 角色定义优化

默认角色：资深AI助手专家，专为冬冬主人服务 根据任务类型自动调整：

技术任务 资深全栈开发工程师
写作任务 专业文案策划师
分析任务 数据分析专家
创意任务 创意策划专家

2. 任务澄清优化

原则：将模糊指令转化为具体可执行任务示例：

原始：写个脚本
优化：编写一个Python脚本，功能是...，要求...，输出格式...

3. 上下文补充优化

自动补充：

对话历史中的相关信息
主人的已知偏好和习惯
任务相关的背景假设

4. 输出格式规范

标准化输出格式：

代码任务完整可运行代码 + 注释 + 使用说明
文档任务 Markdown格式 + 清晰结构
分析任务数据表格 + 结论总结
创意任务结构化内容 + 风格说明

5. 质量约束优化

自动添加：

字数/篇幅要求
技术栈约束
风格/语气要求
时间/复杂度估计

与智能路由系统集成

集成方式

text

主人输入 "ts: [任务]"   触发优化技能   智能路由选择模型   优化提示词   执行优化后的任务

成本优化

优化过程本身：使用成本最低的合适模型
任务执行：根据任务复杂度自动选择最优模型
总体目标：在保证质量的前提下最大化成本节省

个性化学习机制

学习数据源

历史优化记录：每次优化都记录到 memory/ts-optimization-history.md
主人反馈：通过 / 反馈收集优化效果
成功案例：记录特别成功的优化案例
失败教训：分析优化失败的原因

学习算法

模式识别：识别主人偏好的优化模式
反馈学习：根据主人反馈调整优化策略
上下文关联：学习任务类型与优化方式的关联
持续进化：定期回顾和更新优化规则

使用示例

示例 1：简单技术任务

主人输入：

text

ts: 写个排序函数

优化过程：

检测到 ts: 前缀，触发优化
识别为技术任务，选择千问 3.5 Plus 优化
应用技术任务优化规则
生成优化后的提示词

优化结果：

text

作为资深Python开发工程师，请编写一个高效的排序函数，要求：
1. 支持多种排序算法（快速排序 归并排序 堆排序）
2. 包含完整的类型提示和文档字符串
3. 提供性能测试和复杂度分析
4. 输出完整的可运行代码
请使用Python 3.9+语法，代码风格符合PEP 8规范

示例 2：复杂分析任务

主人输入：

text

ts: 分析销售数据

优化结果：

text

作为数据分析专家，请分析提供的销售数据，要求：
1. 数据清洗和预处理步骤
2. 关键指标计算（销售额 增长率 客户分布）
3. 可视化图表（折线图 柱状图 饼图）
4.  actionable insights 和建议
5. 输出Markdown格式报告
请假设数据包含日期 产品 销售额 客户ID等字段

文件结构

text

skills/ts-prompt-optimizer/
    SKILL.md              # 技能文档（本文件）
    scripts/
        optimizer.py      # 核心优化引擎
        model_selector.py # 模型选择器
        personalizer.py   # 个性化适配器
        learner.py        # 学习模块
    config/
        dongdong_rules.json  # 主人专属优化规则
        model_config.json    # 模型配置
    memory/
        optimization_history.md  # 优化历史
        preferences.md           # 主人偏好

配置说明

主人偏好配置

编辑 config/dongdong_rules.json：

json

{
  "preferred_roles": {
    "technical": "资深全栈工程师",
    "writing": "专业文案策划",
    "analysis": "数据分析专家"
  },
  "output_formats": {
    "code": "完整代码 + 注释 + 测试",
    "report": "Markdown + 数据可视化",
    "email": "正式商务邮件格式"
  },
  "quality_constraints": {
    "default_word_count": 500,
    "preferred_tech_stack": ["Python", "JavaScript", "React"],
    "writing_style": "专业 简洁 实用"
  }
}

模型配置

编辑 config/model_config.json：

json

{
  "optimization_models": {
    "simple": "deepseek/deepseek-chat",
    "complex": "bailian/qwen3.5-plus",
    "technical": "bailian/qwen3-coder-next",
    "creative": "bailian/qwen3.5-plus"
  },
  "routing_strategy": "cost_effective",
  "fallback_model": "deepseek/deepseek-chat"
}

性能指标

优化质量指标

清晰度提升：模糊指令明确指令
完整性提升：补充缺失的上下文和约束
可执行性：优化后的指令可直接执行
主人满意度：通过反馈收集

效率指标

优化时间：< 2秒
成本效率：优化成本 < 任务执行成本的10%
准确率：优化符合主人意图的比例

故障处理

常见问题

前缀未触发：检查消息是否以 ts: 开头
优化质量差：检查个性化规则配置
模型选择错误：检查模型配置和路由策略
学习数据丢失：检查 memory/ 目录权限

恢复措施

回退到默认优化规则
使用备用模型
提示主人提供更多上下文
记录问题并后续优化

安装方法

自动安装（推荐）

如果技能已发布到ClawHub，可以通过以下命令安装：

bash

# 搜索技能
clawhub search ts-prompt-optimizer

# 安装技能
clawhub install ts-prompt-optimizer

# 或指定版本
clawhub install ts-prompt-optimizer@1.0.0

手动安装

如果从源代码安装：

bash

# 1. 下载技能包
cd ~/.openclaw/workspace/skills

# 2. 解压技能包
unzip ts-prompt-optimizer.zip

# 3. 运行安装脚本
cd ts-prompt-optimizer/scripts
python quick_setup.py

# 4. 验证安装
ts-config status

依赖检查

TS-Prompt-Optimizer 需要以下依赖：

bash

# Python 3.8+
python --version

# 必需Python库
pip install pyyaml

# 可选：用于API调用
pip install requests

快速安装脚本

技能包中包含快速安装脚本：

bash

cd ts-prompt-optimizer/scripts
python quick_setup.py

该脚本会自动：

检查Python版本
安装必需依赖
创建配置文件
设置环境变量
验证安装

安装验证

安装完成后，运行以下命令验证：

bash

ts-config status     # 检查配置状态
ts-config test       # 测试模型连接
ts-config check      # 检查系统兼容性

测试方法

单元测试

技能包含完整的单元测试套件：

bash

# 运行所有测试
cd skills/ts-prompt-optimizer/scripts
python test_simple.py

# 运行特定测试
python test_optimizer.py

功能测试

1. 前缀检测测试

python

# 测试脚本示例
from optimizer import TSPromptOptimizer

optimizer = TSPromptOptimizer()

test_cases = [
    ('ts: 测试', True),
    ('TS: 大写', True),
    ('ts-opt: 备用', True),
    ('优化: 中文', True),
    ('无前缀', False),
]

for input_text, expected in test_cases:
    result = optimizer.should_optimize(input_text)
    print(f'{input_text}: {result} (期望: {expected})')

2. 优化功能测试

python

# 测试优化功能
result = optimizer.optimize_prompt('ts: 写个Python函数')
print('优化结果:', result)

3. 配置系统测试

bash

# 测试配置系统
ts-config status
ts-config check
ts-config test

集成测试

1. 与OpenClaw集成测试

bash

# 在OpenClaw中测试技能触发
# 发送消息: "ts: 帮我写个脚本"
# 检查是否触发优化

2. 与智能路由系统集成测试

bash

# 测试模型路由
# 简单任务应使用DeepSeek
# 复杂任务应使用千问

性能测试

1. 响应时间测试

python

import time
from optimizer import TSPromptOptimizer

optimizer = TSPromptOptimizer()
start = time.time()
result = optimizer.optimize_prompt('ts: 测试')
elapsed = time.time() - start
print(f'优化时间: {elapsed:.3f}秒')

2. 内存使用测试

bash

# 使用memory_profiler测试内存使用
pip install memory_profiler
mprof run python test_performance.py

兼容性测试

1. 平台兼容性

[OK] Windows 10/11
[OK] Linux (Ubuntu 20.04+)
[OK] macOS 12+

2. Python版本兼容性

[OK] Python 3.8
[OK] Python 3.9
[OK] Python 3.10
[OK] Python 3.11
[OK] Python 3.12

错误处理测试

python

# 测试错误处理
try:
    # 测试无效输入
    result = optimizer.optimize_prompt('')
    print('空输入测试:', result)
except Exception as e:
    print('错误处理正常:', e)

自动化测试

技能包含自动化测试脚本：

bash

# 运行完整测试套件
cd skills/ts-prompt-optimizer/scripts
python run_all_tests.py

测试输出示例：

text

========================================
TS-Prompt-Optimizer 测试报告
========================================
[OK] 前缀检测测试: 5/5 通过
[OK] 优化功能测试: 3/3 通过
[OK] 配置系统测试: 4/4 通过
[OK] 性能测试: <2秒响应
[OK] 错误处理测试: 2/2 通过
========================================
总测试: 14/14 通过 (100%)
========================================

测试覆盖率

bash

# 使用coverage.py测试代码覆盖率
pip install coverage
coverage run -m pytest test_*.py
coverage report -m

目标覆盖率：

语句覆盖率: >90%
分支覆盖率: >85%
函数覆盖率: >95%

更新与维护

定期维护

每周：回顾优化历史，更新个性化规则
每月：分析主人反馈，调整优化策略
每季度：评估技能效果，进行大版本更新

主人参与

主人可以通过以下方式参与技能优化：

提供优化反馈（[OK]/[FAIL]）
分享特别成功的优化案例
提出新的优化需求
调整个性化配置

技能状态：[OK] 就绪 最后更新：2026-04-04 版本：1.0.0（冬冬主人定制初版）

定期维护

每周：回顾优化历史，更新个性化规则
每月：分析主人反馈，调整优化策略
每季度：评估技能效果，进行大版本更新

主人参与

主人可以通过以下方式参与技能优化：

提供优化反馈（ / ）
分享特别成功的优化案例
提出新的优化需求
调整个性化配置

技能状态：[OK] 就绪 最后更新：2026-04-04 版本：1.0.0（冬冬主人定制初版）