1实现原理 · 为什么它能做到
纯 prompt 编排：全部机制是「四层增强流程」——把模糊需求做 EARS 语法转换、领域理论落地、真实示例抽取，再包成固定骨架的增强 prompt。
prompt-optimizer/SKILL.md
**Four-layer enhancement process:** 1. **EARS syntax transformation** - Convert descriptive language to normative specifications 2. **Domain theory grounding** - Apply relevant industry frameworks (GTD, BJ Fogg, Gestalt, etc.) 3. **Example extraction** - Surface concrete use cases with real data 4. **Structured prompt generation** - Format using Role/Skills/Workflows/Examples/Formats framework
注：这里在做什么：这是该 skill 的天花板也是它的全部——没有任何脚本、工具或网络调用，价值全在这套把『口语化需求』翻译成『规范句 + 理论依据 + 示例 + 输出约束』的编排指令里。
EARS 五范式落地：Ubiquitous / Event-driven / State-driven / Conditional / Unwanted behavior 各有固定句式，配 before/after 对照与一份改造 checklist（显式化条件、补触发器、量化标准、拆原子句、删含糊词）。
prompt-optimizer/SKILL.md
**Five core patterns:** 1. **Ubiquitous**: `The system shall <action>` 2. **Event-driven**: `When <trigger>, the system shall <action>` 3. **State-driven**: `While <state>, the system shall <action>` 4. **Conditional**: `If <condition>, the system shall <action>` 5. **Unwanted behavior**: `If <condition>, the system shall prevent <unwanted action>`
注：这里在做什么：EARS（Rolls-Royce 2009 提出的需求写法）原本用于系统工程；这里被当作 prompt 的『规范化语法』，让每条需求都带上触发条件与可判定结果。
领域理论落地方式：先按需求关键词识别领域，再从 10 个域的目录里挑 2-4 条互补理论，把理论原则映射到具体功能，并在 prompt 里显式引用理论名。
prompt-optimizer/SKILL.md
**Selection process:** 1. Identify primary domain from requirement keywords 2. Match to 2-4 complementary theories 3. Apply theory principles to specific features 4. Cite theories in enhanced prompt for credibility
注：这里在做什么：让产出的规格不像『拍脑袋的功能列表』——每条设计取舍都能追到一个有名有姓的框架（GTD、BJ Fogg B=MAT、Hick's Law、Zero Trust…）。理论在这里既是设计脚手架也是可信度包装。
理论目录本身是主要资产：10 个领域（生产力/行为改变/UX/游戏化/学习/数据可视化/电商/信息架构/安全/无障碍），共 38 条编号理论条目，并给出『选 2-4 条 → 应用到功能与工作流 → 引用增信』的选择流程与一个完整选型示例。
prompt-optimizer/references/domain_theories.md
## How to Select Theories 1. **Identify the domain** from user requirements 2. **Match to primary objective** (engagement, learning, conversion, etc.) 3. **Select 2-4 relevant theories** that complement each other 4. **Apply principles** to specific features and workflows 5. **Cite theories** in enhanced prompts to add credibility
注：这里在做什么：这是 SKILL.md 里 `domain_theories.md` 那一行『40+ theories mapped to 10 domains』的实际内容面——理论名 + 三到五行要点，够模型挑与引用，不含推导过程。
输出骨架固定五段：Role / Skills / Workflows / Examples / Formats，且示例明令用真实数据（「Real data, not "Example 1", "Example 2"」），交付物是可整段粘走的 markdown 规格。
prompt-optimizer/SKILL.md
- **Concrete examples**: Real data, not "Example 1", "Example 2"
注：这里在做什么：把 prompt 写成『给下一个 agent 的施工图』——角色要具体到细分领域、工作流要分阶段、格式要可验收，从而减少下游模型自由发挥的空间。
六步工作流有顺序且带诊断：先分析原需求的弱点（过宽/缺触发器/动作含糊/无约束），再逐步 EARS 化、选理论、抽示例、生成 prompt、按固定六段式呈现结果。
prompt-optimizer/SKILL.md
### Step 1: Analyze Original Requirement Identify weaknesses: - **Overly broad** - "Add user authentication" → Missing password requirements, session management - **Missing triggers** - "Send notifications" → Missing when/why notifications trigger - **Ambiguous actions** - "Make it user-friendly" → No measurable usability criteria - **No constraints** - "Process payments" → Missing security, compliance requirements
注：这里在做什么：Step 1 的弱点分类是整套方法的『靶子』——没有它，EARS 转换就只是句式替换；有了它，改写才有方向（补条件、补度量、补边界）。
复杂需求有一份进阶手册：多利益相关者（按角色分别出 EARS、显式写角色条件与嵌套权限）、非功能需求（性能/安全/可扩展/可靠性四类量化阈值）、复杂条件逻辑（嵌套 AND/OR + 优先级 + 兜底分支）。
prompt-optimizer/references/advanced_techniques.md
1. Quantify constraints explicitly (no vague terms like "fast" or "secure") 2. Specify measurement methods (how to verify the requirement) 3. Include threshold values (acceptable ranges) 4. Define degradation behavior (what happens when thresholds are exceeded)
注：这里在做什么：把『fast/secure』这类形容词逼成可验收数字，例如「95% 请求 200ms 内返回」「失败 5 次锁 30 分钟」「bcrypt cost factor 12」——这是该 skill 从『改写措辞』升格为『写验收标准』的关键一层。
参考文件按需加载，主文件只留骨架：SKILL.md 用一段 Resources 说明每份 reference 的适用时机，模型不必一次读全（195 行主文件 + 1014 行 references）。
prompt-optimizer/SKILL.md
- **`references/domain_theories.md`** - 40+ theories mapped to 10 domains (productivity, UX, gamification, learning, e-commerce, security, etc.)
注：这里在做什么：典型的 progressive disclosure——主文件负责流程与触发判断，细节（EARS 完整语法、理论目录、四个完整案例、进阶技巧）放在按需加载的四份文件里。
2核心能力
01模糊需求 → EARS 规范句改写（五范式句式 + 改造 checklist + before/after 对照）
02领域理论匹配与映射（10 域目录、选 2-4 条互补理论、映射到具体功能并显式引用）
03非功能需求的量化改写（性能/安全/可扩展/可靠性，要求阈值 + 测量方式 + 降级行为）
04多利益相关者与角色权限的 EARS 展开（按角色分句、层级权限、上下文相关访问 + 默认拒绝分支）
05复杂条件逻辑建模（嵌套条件、显式布尔运算符、冲突优先级、括号定优先级、未命中兜底）
06真实数据示例抽取（要求 realistic / specific / varied（成功·错误·边界）/ testable，禁止占位符）
07结构化结果呈现（Original Requirement / Identified Issues / EARS Transformation / Domain & Theories / Enhanced Prompt + How to use）
08四个完整 before/after 案例 + 一份 Transformation Pattern Template（含中文原始需求与英译对照）
3外部依赖
| 类型 | 依赖 |
|---|---|
| network | 出处引用链接（方法论来源展示，运行时脚本并不访问） |
4风险提醒 风险提醒：绿色 · 放心使用
风险提醒：绿色 · 放心使用
- 改写会放大原始需求的权威性，不能过滤其中的恶意或越界内容 — 它把用户给的文本规范化成正式规格并配理论背书，若原始需求来自不可信来源（抓取的网页、第三方消息），产物被粘进下游 agent 会话后即是更『像样』的 prompt injection 载体；skill 无任何内容安全判断环节。
- 『引用理论』被明示用于增加可信度，容易被误读为质量或安全背书 — SKILL.md 的选择流程第 4 步就写着 cite theories in enhanced prompts for credibility；而理论只被『引用名称+要点』，不推导、不校验适用性，读到 Zero Trust/Defense in Depth 不等于该安全设计被验证过。
- 宣传口径与实际目录存在出入 — SKILL.md Resources 段写 40+ theories，实读为 10 个域 38 条编号条目（跨域重复的 SDT、Gestalt 去重后更少）。引用该数字时应按实际计数修正。
- 没有任何一致性或事实核验机制 — 产出规格内部的矛盾（例如同时要求『无密码登录』与『密码复杂度 12 位』）、以及具体技术参数是否仍符合当前实践，都不在 skill 的检查范围内；checklist 只约束句式与粒度。
- 长需求下输出可能显著膨胀 — 流程要求把每条需求拆成原子 EARS 句、每条补示例与量化阈值，并再包一层五段式骨架；对大型需求容易产出体量远超原始输入的文档，缺少长度/取舍预算规则。
风险提醒：绿色，放心使用。纯 prompt 型 skill：find 全量核对（含隐藏文件）只有 SKILL.md 与 references/{advanced_techniques,domain_theories,ears_syntax,examples}.md 五个 markdown 文件，无 scripts/、无 hooks、无可执行文件；全文无 curl/wget/urllib/网络调用，无 env 或凭证读取，无文件写入，也不指示 agent 执行任何命令——没有代码级攻击面。风险仅为对话与内容层：改写会把原始需求中的指令性内容一并规范化后传递（若需求来自不可信来源，等于给它一层正式外衣）、理论引用可能被误读为质量或安全背书、references 中的安全类示例文本不是审计结论。以上不构成宿主侧安全问题。
5第二遍独立确认
- [ok] 资产面：是否存在脚本、hooks 或隐藏文件 — find prompt-optimizer -type f（含隐藏）只有 5 个文件：SKILL.md、references/{advanced_techniques,domain_theories,ears_syntax,examples}.md。无 scripts/、无 tests/、无 frontmatter 里的 allowed-tools 之外的配置键（frontmatter 仅 name/description 两键）。第一遍『纯 prompt』结论成立。
- [ok] 外部依赖反例：是否有漏掉的网络/凭证/执行面 — 全目录 token 扫描：无 curl/wget/urllib/requests/子进程调用/环境变量读取/写文件指令；https?:// 仅 3 处且都是出处引用（mp.weixin.qq.com 在 SKILL.md 与 examples.md），其余命中（token、api、secret 等）均出现在 EARS 示例文本里（如 password_reset_tokens 表、POST /api/auth/reset-password），是指被改写的示例需求而非 skill 的依赖。external_deps 因此只列出处引用一条，并注明运行时并不访问。
- [discrepancy] 宣传口径核对：domain_theories.md 是否真有 40+ 理论与 10 个域 — SKILL.md 的 Resources 段写 `40+ theories mapped to 10 domains`。第二遍用脚本统计：域数 10 属实（Productivity 5、Behavior Change 4、UX 6、Gamification 4、Learning 5、DataViz 3、E-commerce 3、IA 3、Security 3、Accessibility 2），但编号理论条目合计 38 条，未达 40+；若把跨域重复的 Self-Determination Theory、Gestalt Principles 去重，唯一理论数更少。属宣传性口径略偏大，不影响目录可用性，但『40+』不应被当作已核实的数字引用。
- [ok] EARS 五范式与 checklist 是否在两处一致 — SKILL.md 的 Step 2 列出五范式与 6 项 checklist；ears_syntax.md 对同一五范式给出 Format/English/Use when/Example 完整四段（含中文句式 `当 <trigger> 时,系统应 <action>`）与同一份扩展 checklist（多出『Define the actor』『Specify measurable outcomes』两项）、再加多条件事件与分支动作两种复杂形态。两处无冲突，reference 是超集。
- [ok] 输出格式声明 vs 实际骨架（夸大检查） — SKILL.md Step 5 的骨架（Role/Skills/Workflows/Examples/Formats）、Step 6 的六段式结果格式、examples.md 的 Transformation Pattern Template 三处骨架一致；description 宣称的『precise, well-structured specifications』由 Formats 段的『File types, structure requirements / Technical constraints / Deliverable checklist』承载。无未兑现承诺，也没有声称会验证产出。
- [ok] 非功能需求与复杂条件的具体落地方式是否真实存在 — advanced_techniques.md 实读：非功能四类各给 3-8 条量化范式（200ms/95%、1.5s FCP/90%、TLS 1.3、tokenize 卡号、retry 3×2s、1,000/s 排队、fraud score>70）；复杂条件给出嵌套层级、显式布尔、优先级、括号与兜底五步与多段示例。第一遍『量化阈值』结论逐条可定位。
- [ok] 案例数量与出处标注 — examples.md 标题清单：Example 1 拖延症消除器、Example 2 电商商品页、Example 3 学习仪表盘、Example 4 密码重置安全，加一个 Transformation Pattern Template；SKILL.md Resources 段自述『Four complete transformation examples (procrastination app, e-commerce product page, learning dashboard, password reset security)』与实读标题逐一对应。出处标注在 SKILL.md 与 examples.md 出现两次且互为一致。
- [ok] 对『改写是否会被当作事实核验』的找反例 — 通读 5 个文件，未发现任何『验证需求真实性/可达性』的步骤或声明，也没有针对输出自检的机制（checklist 只约束句式与粒度）。故 verdict.risks 中『只保证写法规范不保证内容正确』成立，且不构成夸大——SKILL.md 也未做此承诺。
6结论
适合：适合把口语化、含糊的功能想法变成可施工规格的场合：产品/技术负责人在开工前写需求、把一句话创意交给 AI 生成代码之前的规格化、把中文需求整理成英文规格交付给下游 agent、以及需要给非功能指标（性能/安全）补量化阈值的项目。也适合被其它 skill 当作『需求规范化』子流程内嵌——它零依赖、纯文本，嵌入成本低。
不适合：不适合需要事实核验与技术正确性背书的场合（它只保证写法规范，不验证内容）；不适合已成型的精确规格（无需改写）；不适合希望自动落地为代码或验收测试的场景（它不生成实现、不跑测试、无任何执行能力）；也不适合涉及安全或合规决策的正式文档——理论引用与示例参数都不构成审计结论。
安装 agent 直装可复制
① 本站镜像 更新 2026-09-15
方式 A · 人下载镜像包下载 prompt-optimizer.tar.gz
sha256:
方式 B · JSON 格式安装指南，复制给 agenta62c59842d84fe47…agent 读 JSON 指南后会自动从本站下载安装，无需更多说明。
② 上游 GitHub · 原始来源
来源信息 GitHub 原始
作者 / 仓库daymade / daymade/claude-code-skills
原始 GitHubdaymade/claude-code-skills ↗
Stars1392
最近推送2026-09-09
本 skill commit
d5c4678cb5许可MIT（仓库根 LICENSE 文件；GitHub API spdx MIT；Copyright (c) 2025 daymade）
本站信息
收录日期2026-09-06
分类文档与知识
侦查报告AI 侦查 · 2 遍 · 2026-09-06
本站镜像与 GitHub 原始是不同来源：本站锁定 commit 快照经 /r2 分发；GitHub 为实时上游，内容可能已更新。