提示词优化神器：教你 10 分钟用 AI 做一个实用小工具
嘎嘎嘎，大家好啊 ，这里是伶羽 。

面对大模型，有很多时候，我们其实并没有想好自己究竟想问啥，或者说一下想不到那么全面。

这个时候，如果有一个工具能帮助我们优化输入就好了！我们自己搓一个出来。

用到的有：大模型（大语言模型Large Language Model 缩写LLM）本身、dify工作流。

我们先来了解两个概念，现在的大模型都有系统提示词（system prompt）和用户提示词（user prompt）

一般大模型的系统提示词都是固定的通用的，得以回答用户大部分问题。既如此，那我们搞一个固定用来优化提示词的系统提示词不就好了！

打开dify，新建工作流 ，新建LLM节点

提示词如下:

你是一个智能提示词生成助手，任务是根据用户输入的问题，自动将它优化成一个清晰、结构化的Prompt，让大模型能够更精准地理解你的意图并输出高质量结果。
你的优化原则通常是：

1. 明确核心任务： 清晰定义用户最终想要什么（文本、代码、解释、列表等）。
2. 设定角色（可选但推荐）： 如果需要特定风格或视角（如专家、老师、营销文案），将明确指定。
3. 提供关键背景： 包含必要的上下文信息，避免AI猜测。
4. 结构化具体要求：
   期望的输出格式（段落、要点、表格、代码语言等）。
   期望的风格或语气（正式、随意、幽默、简洁、详细）。
   内容重点或需要避免的内容。
   长度要求（大致字数或页数）。
5. 使用清晰的语言： 避免歧义，使用具体词汇。
6. 示例化（如果适用）： 提供例子能极大提升效果（例如“像这样写：…”）。
   注意：不要直接回答用户问题，也不要追问用户具体细节， 而是直接生成一个prompt `

以下是一些优化前后的例子供你参考：
示例1：口语化输入
“我想知道量子纠缠是啥，给我简单说说，别太复杂。”
优化后Prompt：
你是一位物理学教授，正在向一群聪明的高中生解释复杂概念。请用最多3个简洁的句子和一个日常生活的类比，解释量子纠缠的核心概念是什么。避免使用专业术语（如“叠加态”、“非局域性”），语言要生动有趣。

示例2：口语化输入
“帮我写个辞职信，干了3年，老板还行，就是工资低想走，下周离职。”
优化后Prompt：
请帮我撰写一封专业且得体的辞职信。背景信息：我已在公司工作3年，与老板和同事关系良好。离职主要原因是寻求更高薪资的发展机会。最后工作日计划在下周五（请根据当前日期推算具体日期）。信件要求：
1.格式规范：包含日期、称呼、正文、结尾敬语、签名。
2.语气：真诚、感谢、积极，避免任何负面情绪。
3.内容要点：明确表达离职决定及最后工作日；感谢公司和领导给予的机会与培养；简要说明离职原因（聚焦个人发展，无需详述薪资细节）；表示愿意配合交接；祝福公司未来。
4.长度：控制在150-200字。

示例3：口语化输入
“最近要搞个读书会，推荐5本有意思的书，别太厚。”
优化后Prompt：
`我计划组织一个面向25-35岁都市白领的月度读书会，成员兴趣广泛但普遍工作较忙。请推荐5本适合共读的书籍，并说明推荐理由。要求：

1. 书籍类型：涵盖至少3种不同类型（如小说、非虚构、传记、科幻等）。
2. 特点：主题深刻或有启发性、文笔流畅易读、篇幅适中（最好在300页以内）、能引发热烈讨论。
3. 输出格式：按以下模板列出：
   书名(作者)
   类型
   一句话核心亮点
   推荐理由(1-2句，说明为何适合此读书会)
4. 避免推荐过于晦涩或极度热门的畅销书（如《原则》《人类简史》这种已被广泛讨论的）。```

注意：禁止直接回答用户问题，也不要追问用户具体细节， 无论用户输入什么，都直接生成一个prompt 。 生成的prompt中禁止出现类似：请根据以上信息进行优化并生成最终Prompt 这样的话语。

然后写个python脚本调用一下这个工作流， 主要逻辑如下：

@app.route('/api/optimize', methods=['POST'])
def optimize():
    data = request.json
    prompt = data.get('prompt', '')
    headers = {
        "Authorization": f"Bearer {DIFY_API_KEY}",
        "Content-Type": "application/json"
    }
    payload = {
        "inputs": {},
        "query": prompt,
        "response_mode": "streaming",  # 改为streaming模式
        "conversation_id": "",
        "user": "abc-123",
        "files": []
    }
    def generate():
        try:
            # 发送流式请求
            resp = requests.post(DIFY_API_URL, headers=headers, json=payload, stream=True)
            resp.raise_for_status()  # 检查HTTP错误
            # 逐行读取流式响应
            for line in resp.iter_lines(decode_unicode=True):
                if line.strip():
                    # 处理SSE格式的数据
                    if line.startswith('data: '):
                        data_content = line[6:]  # 去掉'data: '前缀
                        # 跳过特殊标记
                        if data_content in ['[DONE]', '']:
                            continue
                        try:
                            # 解析JSON数据
                            json_data = json.loads(data_content)
                            # 检查是否是答案数据 - 兼容多种事件类型
                            event_type = json_data.get('event', '')
                            if event_type in ['message', 'message_replace', 'agent_message']:
                                answer = json_data.get('answer', '')
                                if answer:
                                    # 清理内容：移除<think>标签和双换行
                                    cleaned_answer = re.sub(r'<think>.*?</think>', '', answer, flags=re.DOTALL)
                                    # 将双换行替换为单换行，保持格式
                                    cleaned_answer = re.sub(r'\n\n+', '\n', cleaned_answer)
                                    # 构造SSE格式的响应
                                    yield f"data: {json.dumps({'content': cleaned_answer, 'event': event_type}, ensure_ascii=False)}\n\n"
                            # 处理错误事件
                            elif event_type == 'error':
                                error_msg = json_data.get('message', '未知错误')
                                yield f"data: {json.dumps({'error': error_msg}, ensure_ascii=False)}\n\n"
                        except json.JSONDecodeError:
                            # 如果不是JSON格式，跳过
                            continue
        except requests.RequestException as e:
            # 处理请求错误
            error_msg = f"请求错误: {str(e)}"
            yield f"data: {json.dumps({'error': error_msg})}\n\n"
        except Exception as e:
            # 处理其他错误
            error_msg = f"处理错误: {str(e)}"
            yield f"data: {json.dumps({'error': error_msg})}\n\n"
        finally:
            # 发送结束标记
            yield f"data: [DONE]\n\n"
    # 返回流式响应
    return Response(
        generate(),
        mimetype='text/event-stream',
        headers={
            'Cache-Control': 'no-cache',
            'Connection': 'keep-alive',
            'Access-Control-Allow-Origin': '*',
            'Access-Control-Allow-Headers': 'Content-Type',
        }
    )

这里有个小细节： 尽量使用流式输出，因为大模型的响应速度有限， 提早让用户看到输出对用户来说是更友好的

最后再用Cursor生成个前端页面 ， 大功告成！