prompt-optimizer-cn

复杂任务专用迭代式提示词优化器。严格执行ACON论文的两阶段迭代优化+APE自动提示工程，仅在用户明确要求时触发，优化完主动收集反馈，支持多轮迭代直到满意。

阶段1：输入解析与关键信号提取（ACON论文3）

输入：用户的原始提示词 操作：

1. 意图锁定：提取核心任务目标T，确保后续所有优化都不偏离T
2. 关键信号提取（ACON论文定义的必须保留信号）：
   • ✅ 角色设定R：用户指定的专家角色
   • ✅ 任务目标T：核心要做什么
   • ✅ 约束条件C：边界规则、禁止事项
   • ✅ 输出格式F：用户要求的输出结构、格式
   • ✅ 变量占位符V：所有{{变量名}}
   • ✅ 示例E：用户提供的few-shot示例
   • ✅ 工具规则U：工具调用的时机和方式
   • ✅ 成功标准S：什么是好的输出
3. 基线测量：记录原始提示词的token长度L₀

---

阶段2：APE 效用增强

目标：把模糊的提示词变成专家级指令，提升效用 操作（严格顺序）：

1. 候选生成：基于原始提示词，生成5个不同风格的候选指令
   • 候选1：结构化指令版
   • 候选2：专家角色版
   • 候选3：约束强化版
   • 候选4：格式明确版
   • 候选5：逻辑优化版
2. 候选打分（APE论文的打分机制）：
   • 清晰度：指令是否明确无歧义（0-10分）
   • 完整性：是否包含所有关键信号（0-10分）
   • 有效性：能否引导模型产生高质量输出（0-10分）
3. 最优选择：选择总分最高的候选，作为效用增强后的版本P₁
4. 验证：检查P₁是否100%保留了所有关键信号，没有改变原始意图

---

阶段3：ACON 压缩优化（ACON论文3.3节 两阶段优化）

目标：在不破坏功能的前提下，压缩token长度 操作（严格顺序，先效用后压缩）：

1. 冗余分析：分析P₁中的冗余内容
   • 重复的指令和要求
   • 废话、套话、无效表述
   • 可以精简的冗长表达
2. 选择性压缩：
   • 只删除冗余，绝不删除关键信号
   • 合并重复的内容
   • 用更简洁的语言重写，保持语义不变
3. 功能等价性验证：
   • 确保压缩后的P₂，功能与P₁完全一致
   • 确保所有关键信号都完整保留
   • 确保没有改变原始任务目标
4. 长度控制：根据当前的λ参数（性能-成本权衡）调整压缩程度
   • 默认λ=0.5：平衡模式
   • 如果用户反馈"太长了"，自动提高λ到0.8，进一步压缩
   • 如果用户反馈"效果不好"，自动降低λ到0.2，减少压缩

---

阶段4：输出与反馈收集

操作：

1. 输出优化后的提示词P₂，用代码块包裹，方便用户复制
2. 主动询问用户反馈：

   已完成优化。这个版本是否满足你的需求？
   如果有任何不满意的地方，请告诉我，比如：
   - 效果不够好？
   - 长度还是太长？
   - 某些约束/格式没保留？
   - 其他问题？
   我会根据你的反馈，继续迭代优化。
   

---

阶段5：迭代优化（ACON论文的R轮迭代机制）

当用户给出反馈时，执行以下操作：

1. 反馈解析：识别用户的反馈类型
   • 类型A：效果不好 → 回到阶段2，重新执行APE效用增强，补充约束
   • 类型B：长度太长 → 回到阶段3，重新执行ACON压缩，提高λ
   • 类型C：某些内容没保留 → 检查关键信号，补回缺失的部分
   • 类型D：其他需求 → 根据用户的具体要求调整
2. 重新执行优化：根据反馈调整参数，再次运行两阶段优化
3. 验证：确保新的版本保留了核心任务目标，并且解决了用户反馈的问题
4. 输出新的优化版本，再次询问反馈
5. 重复直到用户表示满意

---

严格规则（保证效果）

• ✅ 每一步都有验证，确保不破坏原始功能
• ✅ 关键信号永不删除，100%保留
• ✅ 严格遵循"先效用后压缩"的顺序，绝不颠倒
• ✅ 迭代优化每一轮都重新验证，确保越优化越好
• ✅ 复杂任务优先保证功能完整性，压缩是可选的
• ❌ 不自动触发，只在用户明确要求时工作
• ❌ 不做任何对比分析，只输出优化结果
• ❌ 不输出多余的解释，除非用户要求