把火山引擎 LLM 塞进 Flask，我做了个「Prompt 永动机」：输入一句话，秒出 200 行专家级提示词

Jay_code_master

1031人浏览 · 2026-01-20 14:14:13

Jay_code_master · 2026-01-20 14:14:13 发布

导语

还在熬夜调 Prompt？
复制粘贴大佬模板，结果一跑就崩？
想要结构化输出 JSON，却只会写「请返回一个合法的 json」？

今天给大家安利一款我刚开源的 Prompt Generator——
✅ 核心创新：用 LLM 生成 Prompt，通过精心设计的元提示词（Meta-Prompt）指导 AI 写出专业级提示词
✅ 流式输出：火山引擎 LLM 原生支持，SSE 实时返回，打字机效果拉满
✅ 完整闭环：生成→测试→复制，30 秒从需求到可用 Prompt，自带「一键调试」页面

核心原理：不是简单地把需求扔给 LLM，而是构建了一个「提示词工程师」角色，让 AI 理解如何写 Prompt，再根据你的需求（输出类型、结构、语言）动态生成专业提示词。这就是「用 Prompt 生成 Prompt」的套娃哲学！

先放动图，直观感受！
在这里插入图片描述

细节展示

1. 流式生成：打字机效果太治愈

在这里插入图片描述

2. 一键切换 Raw / Rendered，Markdown 实时预览

在这里插入图片描述

3. 在线调试：测试生成的 Prompt，立刻得到真机回复

在这里插入图片描述

4. 管理员后台：示例库 + 用户管理，秒变 SaaS

在这里插入图片描述

技术干货拆解（收藏级）

1. 整体架构 = 1 张图看懂

解释：前后端 0 耦合，纯 REST + SSE，后端只用 SQLite，迁到 MySQL 只需改一行 URI。核心是 llm.py 中的提示词生成引擎，通过精心设计的系统提示词指导 LLM 生成高质量提示词。

2. 🎯 核心功能：LLM 优化提示词的技术细节（项目灵魂）

2.1 系统提示词设计：让 AI 理解「如何写 Prompt」

这是整个项目的核心创新点。我们不是简单地把用户需求扔给 LLM，而是构建了一个元提示词（Meta-Prompt），指导 LLM 如何生成专业的提示词。

# llm.py 中的核心逻辑
def generate_prompt(requirement, output_type, structure, fixed_fields, model, language):
    # 1. 语言映射：支持中英文切换
    language_map = {"en": "English", "zh": "Chinese"}
    language_name = language_map.get(language, "English")
    
    # 2. 结构约束：根据用户选择动态生成约束文本
    structure_text = (
        f"请确保提示词要求输出包含以下字段：{', '.join(fixed_fields)}"
        if structure == "fixed" and fixed_fields
        else "提示词可自由组织结构。"
    )
    
    # 3. 输出格式约束：JSON vs 自然语言
    output_format_text = (
        "提示词中要求目标模型输出 JSON 格式内容。"
        if output_type == "json"
        else "提示词中要求目标模型输出自然语言内容。"
    )
    
    # 4. 构建系统提示词（元提示词）
    system_prompt = f'''
你是资深提示词工程师，请根据需求编写 Markdown 格式的提示词，要求用 {language_name}。

# 需求
{requirement}

# 结构
{structure_text}

# 输出格式
{output_format_text}

# 格式要求
生成的提示词本身必须是 Markdown。

# 示例
以下是提示词的示例形态（仅示意，可根据需求调整）：
```markdown
# 角色
你是一位使用 {language_name} 的专业助手，擅长提取文档关键信息。

# 输入
<用户上传的文档>

# 输出要求
返回json格式,形如{{"标题":xxx,"内容":xxx,"关键信息":xxx}}。
```
注意只输出结果，不要解释,不需要类似xxx prompt的标题
'''

设计亮点：

✅ 角色定位：明确告诉 LLM「你是资深提示词工程师」，激活专业能力
✅ 结构化输入：用 Markdown 分段组织需求、结构、格式，让 LLM 清晰理解约束
✅ 示例引导：提供示例形态，但不强制，给 LLM 发挥空间
✅ 语言自适应：根据用户选择动态切换提示词语言，支持国际化

2.2 参数处理：5 个维度精准控制输出

# main_bp.py 中的参数校验与传递
@main_bp.route("/generate", methods=["POST"])
def generate():
    data = request.get_json()
    
    # 参数提取与校验
    requirement = data.get("requirement", "").strip()      # 用户需求（核心）
    output_type = data.get("output_type")                  # json | natural
    structure = data.get("structure")                      # free | fixed
    fixed_fields = data.get("fixed_fields") or []          # 固定字段列表
    model = data.get("model")                              # ARK 模型选择
    language = data.get("language", "en")                  # en | zh
    
    # 调用核心生成函数
    for chunk in generate_prompt(
        requirement, output_type, structure, 
        fixed_fields, model, language
    ):
        yield _format_sse(chunk)

参数组合效果：

output_type=json + structure=fixed + fixed_fields=["title", "content"]
→ 生成要求输出固定 JSON 结构的提示词
output_type=natural + structure=free
→ 生成自由格式的自然语言提示词
language=zh
→ 生成中文提示词，适合国内 LLM 使用

2.3 流式输出：实时反馈提升用户体验

# llm.py 中的流式生成实现
def generate_prompt(...) -> Generator[str, None, None]:
    client = _create_client()
    
    # 调用 ARK API，开启流式模式
    stream = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": "Generate the prompt now."}
        ],
        temperature=0.7,  # 平衡创造性和稳定性
        stream=True       # 关键：开启流式输出
    )
    
    # 逐块返回，实现打字机效果
    for chunk in stream:
        if chunk.choices and len(chunk.choices) > 0:
            delta = chunk.choices[0].delta
            if delta and delta.content:
                yield delta.content  # 实时 yield，前端立即显示

# main_bp.py 中的 SSE 格式化
def _format_sse(data: str) -> str:
    """将数据格式化为 SSE 格式，保留换行符"""
    lines = data.replace("\r\n", "\n").split("\n")
    return "".join(f"data: {line}\n" for line in lines) + "\n"

def generate_stream():
    try:
        for chunk in generate_prompt(...):
            yield _format_sse(chunk)  # 每个 chunk 都格式化为 SSE
    except LlmError as e:
        yield _format_sse(str(e))

return Response(
    stream_with_context(generate_stream()),
    mimetype="text/event-stream"  # 关键：SSE MIME 类型
)

技术细节：

✅ Generator 模式：使用 Python 生成器，内存占用 O(1)，支持无限长输出
✅ SSE 协议：Server-Sent Events，浏览器原生支持，无需 WebSocket
✅ 换行处理：_format_sse 函数确保 Markdown 换行正确传输
✅ 错误处理：异常也通过 SSE 返回，前端统一处理

2.4 温度参数调优：平衡创造性与稳定性

temperature=0.7  # 经验值：既保证多样性，又避免过度发散

为什么是 0.7？

0.0-0.3：过于保守，生成的提示词模板化严重
0.7-0.9：平衡点，既有创新性，又保持专业性
1.0+：过于随机，可能生成不符合要求的提示词

2.5 实际生成效果对比

输入：

需求：帮我写一个提取文档关键信息的提示词
输出类型：json
结构：fixed
固定字段：["标题", "摘要", "关键词"]
语言：zh

生成的提示词（Markdown 格式）：

# 角色
你是一位专业的信息提取助手，擅长从文档中提取关键信息。

# 任务
请仔细阅读用户提供的文档，提取以下关键信息。

# 输出要求
请以 JSON 格式返回结果，必须包含以下字段：
- 标题：文档的主要标题
- 摘要：文档的核心内容摘要（100-200字）
- 关键词：文档中的3-5个关键词

# 输出格式
```json
{
  "标题": "...",
  "摘要": "...",
  "关键词": ["...", "...", "..."]
}
```

这就是「用 Prompt 生成 Prompt」的完整流程！

3. 流式输出前端实现：Fetch + ReadableStream 零依赖

前端使用 fetch API 配合 ReadableStream 接收 SSE 流，实现打字机效果：

// static/main.js 节选
fetch('/generate', {
    method: 'POST',
    headers: {
        'Content-Type': 'application/json'
    },
    body: JSON.stringify({
        requirement: document.querySelector('#requirement').value,
        output_type: document.querySelector('#output-type').value,
        structure: document.querySelector('#structure').value,
        fixed_fields: document.querySelector('#fixed-fields').value.split(','),
        model: document.querySelector('#model-select').value,
        language: document.querySelector('#language-select').value
    })
})
.then(response => {
    const reader = response.body.getReader();
    const decoder = new TextDecoder();
    let buffer = '';
    
    function readStream() {
        return reader.read().then(({ done, value }) => {
            if (done) {
                // 流结束，更新最终显示
                updateDisplay();
                return;
            }
            
            // 解码 chunk 并处理 SSE 格式
            const chunk = decoder.decode(value, { stream: true });
            buffer += chunk;
            
            // SSE 事件以 \n\n 分隔
            const events = buffer.split('\n\n');
            buffer = events.pop();  // 保留最后一个不完整的事件
            
            for (const event of events) {
                const lines = event.split('\n');
                const dataLines = [];
                
                for (const line of lines) {
                    if (line.startsWith('data: ')) {
                        dataLines.push(line.slice(6));  // 移除 'data: ' 前缀
                    }
                }
                
                if (dataLines.length > 0) {
                    const content = dataLines.join('\n');
                    rawContent += content;  // 累积内容
                    updateDisplay();        // 实时更新显示
                }
            }
            
            return readStream();  // 继续读取
        });
    }
    
    return readStream();
});

技术优势：

✅ 零依赖：使用浏览器原生 fetch + ReadableStream，无需第三方库
✅ POST 支持：fetch 支持 POST 请求，比 EventSource（仅 GET）更灵活
✅ 精确控制：手动解析 SSE 格式，可处理多行数据和复杂场景
✅ 内存高效：流式处理，内存占用 O(1)，支持无限长输出

4. 匿名用户「试用次数」防刷策略

# main_bp.py 中的试用逻辑
if not current_user.is_authenticated:
    if "trial_left" not in session:
        config = get_config()
        session["trial_left"] = config.MAX_TRIAL  # 默认 5 次
    
    if session.get("trial_left", 0) <= 0:
        return jsonify({"msg": "试用次数用完，请先注册"}), 403
    
    session["trial_left"] = session.get("trial_left", 0) - 1
    session.modified = True  # 确保 Session 更新

防刷机制：

✅ Session 存储：基于 Flask Session（Cookie），简单有效
✅ 注册转化：达到上限弹窗引导注册
✅ 心理设计：注册后 total_requests 显示 ∞

5. 示例库「一键填充」交互

// static/main.js 节选
function loadExample(id){
  fetch(`/api/examples/${id}`)
    .then(r=>r.json())
    .then(data=>{
      document.querySelector('#requirement').value = data.requirement;
      document.querySelector('#output_type').value = data.output_type;
      document.querySelector('#structure').value = data.structure;
      document.querySelector('#fixed_fields').value = data.fixed_fields || '';
      document.querySelector('#model').value = data.model || '';
      document.querySelector('#language').value = data.language || 'en';
    })
}

设计亮点：

✅ 数据库驱动：示例存在 SQLite，管理员后台随时热更新
✅ 一键填充：点击示例，所有表单字段自动填充，0 秒上手
✅ 运营友好：非技术人员也能通过后台管理示例库

6. 测试覆盖率 92%，放心二开

git clone https://github.com/jaylun123/Prompt-Generator
cd Prompt-Generator
conda env create -f environment.yml
conda activate prompt_proj
python run.py          # 拉起服务
python tests/test_all.py  # 3 分钟跑完单测

测试策略：

✅ 模块化测试：test_llm.py、test_main.py、test_auth.py 等独立测试
✅ Mock LLM 调用：所有 LLM API 调用已 Mock，CI 不花一分钱
✅ 覆盖核心功能：提示词生成、流式输出、用户认证、示例管理全覆盖
测试结果截图：

5 分钟上手（小白也能跑）

准备
- Python ≥ 3.8
- 火山引擎 AK/SK（新用户送 30 元额度，够用）在这里插入图片描述

一键启动

git clone https://github.com/jaylun123/Prompt-Generator
cd Prompt-Generator
cp .env.example .env
# 填好 ARK_API_KEY & SECRET_KEY
pip install -r requirements.txt
python -m app cli create-db
python -m app cli init-examples   # 9 个官方模板
python run.py

浏览器打开 http://127.0.0.1:5000，立刻开玩！

创建管理员（可选）
```
python -m app cli create-admin
```

roadmap（欢迎 PR）

接入 OpenAI / Claude 多后端
支持「对话历史」版本管理
一键导出 Prompt 为图片 / PDF，方便分享
微信小程序版，手机也能调

源码地址

GitHub: https://github.com/jaylun123/Prompt-Generator
记得点 ⭐ 不迷路，后续更新第一时间推送！

评论区见

你还想加什么功能？
或者踩过什么 Prompt 坑？
欢迎留言!

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

Kubernetes CoreDNS 解析超时排查（ndots 与 NodeLocal DNSCache）

CoreDNS 超时先用 ClusterIP 直连排除数据面，再读 Pod的ndots 与 search。默认 ndots:5 让短名查询放大数倍，AAAA 再乘一倍。指标上区分 NXDOMAIN 瀑布和真正的 SERVFAIL/p99。NodeLocal DNSCache 降 RTT、不消灭放大；根上仍是 FQDN 或谨慎的 dnsConfig。改 DNS 全局配置必须可回滚，禁止先停 Core