Prompt Optimizer MCP Server

基于 prompt-optimizer 核心模板思路的极简 MCP 服务。通过独立的 LLM（如本地 Ollama 或低成本 API）为 AI Agent 提供提示词优化能力，让主模型专注于高价值任务。

📦 已发布到 npm：npx prompt-optimizer-mcp

功能

| 工具 | 说明 | 适用场景 | |------|------|----------| | optimize_user_prompt_basic | 基础优化：消除模糊表述，补充缺失信息 | 日常对话、简单提问 | | optimize_user_prompt_professional | 5维度深度分析 + 结构化优化，附带分析报告 | 需要明确改进方向 | | optimize_user_prompt_planning | 多步骤任务拆解为结构化步骤序列 | 复杂工作流、数据分析 | | iterate_prompt | 基于反馈迭代改进已有优化版本 | 精调已优化的 prompt | | evaluate_prompt | 5维度质量评分（0-100）+ 改进建议 | 验证优化效果 | | optimize_image_prompt | 中文想法 → 英文高质量文生图提示词 | Midjourney / Stable Diffusion |

快速开始

安装

方式一：npm 全局安装（推荐）

npm install -g prompt-optimizer-mcp

方式二：直接 npx 运行（无需安装）

npx prompt-optimizer-mcp

配置

创建 .env 文件，选择任意 OpenAI 兼容接口：

# DeepSeek（推荐，性价比高）
OPTIMIZER_API_BASE=https://api.deepseek.com/v1
OPTIMIZER_API_KEY=sk-your-key
OPTIMIZER_MODEL=deepseek-chat

# 或 Ollama 本地（免费）
# OPTIMIZER_API_BASE=http://localhost:11434/v1
# OPTIMIZER_API_KEY=ollama
# OPTIMIZER_MODEL=qwen2.5:7b

# 或 OpenAI
# OPTIMIZER_API_BASE=https://api.openai.com/v1
# OPTIMIZER_API_KEY=sk-your-key
# OPTIMIZER_MODEL=gpt-4o-mini

运行

npx prompt-optimizer-mcp

集成指南

所有 MCP 客户端配置模式一致，只需替换 command 和 args：

{
  "mcpServers": {
    "prompt-optimizer": {
      "command": "npx",
      "args": ["prompt-optimizer-mcp"],
      "env": {
        "OPTIMIZER_API_BASE": "https://api.deepseek.com/v1",
        "OPTIMIZER_API_KEY": "sk-your-key",
        "OPTIMIZER_MODEL": "deepseek-chat"
      }
    }
  }
}

| 客户端 | 配置文件位置 | |--------|-------------| | Claude Desktop | %APPDATA%\Claude\claude_desktop_config.json | | Claude Code (CLI) | ~/.claude/settings.json 或项目 ./claude.json | | Cursor | ~/.cursor/mcp.json | | Windsurf | ~/.codeium/windsurf/mcp_config.json | | Opencode | 项目根目录 opencode.json 或 ~/.config/opencode/config.json | | Continue (VS Code) | ~/.continue/config.json | | GitHub Copilot | ~/.github/copilot.json |

配置完成后在对话中对 agent 说 "优化这个 prompt" 即可触发。

架构设计

用户原始 prompt
    ↓
mcp_server.py (调度层, 73行)
    ├── 选择模板 (templates/*.txt)
    ├── 替换占位符 {user_prompt}
    └── 发送到 LLM (通过 OpenAI 兼容接口)
    ↓
优化后的 prompt

设计原则

• 模板与代码分离：优化策略在 templates/*.txt 中，修改策略无需改代码
• 一次调用：每个工具只调 1 次 LLM，分析和改写合并到同一个模板中
• Evidence Framing：用户输入包装为 JSON 字段，防止 LLM 误执行而非优化
• 变量保留：所有模板强制保留 {{variable}} 占位符

模板详解

6 个模板覆盖提示词优化的主要场景，均基于 Prompt Engineering Guide、Meta Prompting (Zhang et al. 2024) 等行业最佳实践编写。

模板文件

| 文件 | 行数 | 核心策略 | 输出格式 | |------|------|----------|----------| | user_optimize_basic.txt | ~25 | 替换模糊词 + 补充缺失要素 | 纯文本 prompt | | user_optimize_professional.txt | ~45 | 5维度评分 + 结构化输出 | 分析报告 + 优化版 | | user_optimize_planning.txt | ~35 | 任务分解 → 步骤结构化 | 分步执行序列 | | iterate_prompt.txt | ~35 | 约束融入 + few-shot 示例 | 完整修改版 | | evaluate_prompt.txt | ~40 | 5维度 0-100 评分 + JSON 输出 | JSON | | image_optimize.txt | ~55 | 5框架（主体/环境/光线/构图/风格） | 英文 prompt |

改进来源

| 来源 | 应用 | |------|------| | Prompt Engineering Guide (DAIR.AI) | 角色定义、分隔符使用、任务分解 | | Meta Prompting (Zhang et al. 2024) | 结构化输出约束、抽象示例 | | OpenAI 最佳实践 | "说做什么不说不要做什么" | | Few-shot Prompting | iterate 模板的正反示例 | | 评估量化框架 | evaluate 模板的 5 维度 0-100 评分体系 |

适配模型

通过环境变量连接任意 OpenAI 兼容接口：

| 提供商 | API_BASE | MODEL 示例 | 成本 | |--------|----------|-----------|------| | DeepSeek | https://api.deepseek.com/v1 | deepseek-chat | 低 | | Ollama (本地) | http://localhost:11434/v1 | qwen2.5:7b | 免费 | | OpenAI | https://api.openai.com/v1 | gpt-4o-mini | 低 | | SiliconFlow | https://api.siliconflow.cn/v1 | Qwen/Qwen2.5-14B-Instruct | 低 | | Groq | https://api.groq.com/openai/v1 | llama-3.3-70b | 免费 | | vLLM | http://localhost:8000/v1 | 自定义 | 自有硬件 |

建议：优化任务使用小模型（如 DeepSeek Chat / qwen2.5:7b）即可，将大模型算力留给主任务。

扩展：添加新模板

1. 在 templates/ 下创建 .txt 文件，使用 {placeholder} 作为变量占位符
2. 在 mcp_server.py 中添加对应的 @mcp.tool() 函数

示例——添加一个"翻译 prompt 优化"模板：

@mcp.tool()
def optimize_translation_prompt(prompt: str) -> str:
    """优化翻译类提示词"""
    return _llm(_fill(_load("translate_optimize.txt"), user_prompt=prompt),
                json.dumps({"originalPrompt": prompt}, ensure_ascii=False))

与直接调用 LLM 的成本对比

| 方式 | 调用次数 | token 消耗 | 适用场景 | |------|---------|-----------|----------| | 直接写 prompt 调 LLM | 1 次大模型 | 少 | 一次性简单任务 | | 大模型自己帮写 + 执行 | 可能 2 次大模型 | 多 | 不推荐 | | 本 MCP (用小模型优化) | 1 次小模型 + 1 次大模型 | 小模型少 | 高频复用的 prompt | | 本 MCP (用本地模型优化) | 本地免费 + 1 次大模型 | 接近零额外成本 | 推荐 |

省成本的关键：优化用小模型/本地模型，主任务用大模型，各司其职。

目录结构

prompt-optimizer-mcp/
├── package.json           # npm 包元信息
├── index.js               # Node.js 包装器 → spawn python
├── install.js             # postinstall: 自动 pip install
├── mcp_server.py          # MCP 服务入口 (73行)
├── templates/             # 提示词优化模板
│   ├── user_optimize_basic.txt        # 基础优化
│   ├── user_optimize_professional.txt # 深度优化
│   ├── user_optimize_planning.txt     # 规划式优化
│   ├── iterate_prompt.txt             # 迭代优化
│   ├── evaluate_prompt.txt            # 质量评估
│   └── image_optimize.txt             # 文生图优化
├── .gitignore
├── .env.example           # 配置示例
├── test.py                # 测试脚本
├── requirements.txt       # 依赖
└── README.md

License

AGPL-3.0