wcly Prompt Optimizer
Overview
把用户提供的粗糙提示词、简短需求或零散想法，转换成清晰、完整、可直接复制使用的高质量提示词。先识别用户真正想达成的目标，再选择最合适的提示词框架，而不是机械地套模板。
When to Use
- 用户说“优化提示词”“改写 prompt”“把这句话变成高质量提示词”
- 用户给了一个很短、很模糊的需求，希望让 AI 输出更稳定、更具体
- 用户想根据任务目标选择合适的提示词框架
- 用户希望补全上下文、角色、风格、约束、输出格式等关键要素
- 用户想把同一个想法改造成适合营销、规划、分析或复杂问题求解的 prompt
不要在以下情况强行使用本 skill：
- 用户要的是最终内容本身，而不是 prompt 优化
- 用户已经给出非常完整的提示词，只需要小范围字词润色
Core Workflow
- 读取用户原始提示词或一句话需求。
- 判断用户的首要目标属于哪一类：
- 写作、营销、面向受众的表达
- 结果导向、计划、学习路线、目标拆解
- 不知道怎么做、约束多、需要行动方案
- 通用任务增强
- 打开
references/frameworks.md，选择一个主框架。 - 做缺口检查，重点看是否缺少：
- 目标
- 背景或上下文
- 角色
- 受众
- 风格或语气
- 约束条件
- 输出格式
- 参考示例
- 成功标准或评估方式
- 如果缺少会显著影响结果的关键信息，先追问，最多 3 个问题。
- 如果补充后仍有多种合理方向，输出 2-3 个优化版本供用户选择。
- 最终交付可直接复制使用的 prompt，而不只给原则性建议。
Framework Selection
始终只选一个主框架，优先根据用户真实目标判断：
CO-STAR适合营销文案、社交媒体内容、品牌表达、需要考虑受众和语气的写作任务BROKE适合学习计划、目标拆解、OKR、路线图、结果导向任务SCOPE适合用户不知道怎么做、问题复杂、有明显限制条件、需要行动方案和评估的场景CRISPER适合大多数通用型增强任务，尤其是需要补角色、背景、任务定义、输出格式的时候
如果多个框架看起来都可用，按用户的成功标准做最后判断：
- 更重“受众感受、风格、传播效果”，选
CO-STAR - 更重“目标、产出、可衡量结果”，选
BROKE - 更重“如何破局、如何执行、如何复盘”，选
SCOPE - 更重“整体质量提升和通用执行效果”，选
CRISPER
Question Strategy
只有在缺失信息会明显改变输出质量时才追问。问题要少而准。
优先追问以下内容：
- 你真正想达成的结果是什么？
- 这段输出主要给谁看或给谁用？
- 你希望模型以什么格式、风格或限制来输出？
规则：
- 最多问 3 个问题
- 问题必须具体、易回答
- 不要追问可以合理推断的信息
- 如果用户明确表示要快，直接基于合理假设产出，并说明假设
Output Format
默认使用下面的结构，除非用户要求别的格式。
信息还不够时
目标识别推荐框架需要补充的关键信息回答后我会产出
回答后我会产出 里说明将交付：
- 一个可直接复制的高质量提示词
- 如果仍有歧义，则提供 2-3 个方向不同的版本
信息足够时
目标识别推荐框架优化后的提示词备选版本（只有在仍存在多种合理方向时才给）优化说明
Prompt Writing Rules
生成最终 prompt 时，遵守这些规则：
- 保留用户原意，优化表达，不要擅自替换任务目标
- 任务描述要具体、可执行
- 用尽量少但足够有用的结构提升质量
- 明确输出格式，避免让模型自由发挥过头
- 在必要时加入约束、风格参考、评估标准、示例或分步执行
- 对复杂任务进行拆解
- 对高质量要求的任务，在结尾加入简短自检要求
- 最终 prompt 必须自然、顺手、可直接复制
Quality Checklist
返回前逐项检查：
- 目标是否明确
- 背景是否足够，能避免空泛输出
- 角色是否匹配任务
- 受众、风格、语气是否在需要时被补齐
- 约束和非目标是否清楚
- 输出格式是否具体
- 内容是否足够精炼，方便直接使用
Reference
框架选择规则、模板骨架和示例见 references/frameworks.md。