prompt-analyzer

name prompt-analyzer description 提示词分析与洞察 - 查看Prompt详情、对比差异、推荐相似提示词、元素库统计 Prompt Analyzer - 提示词分析器 🎯 核心职责 专注于已生成Prompt的分析和洞察 ，不负责生成新Prompt。 提供以下5大功能： 查看详情 - 分析Prompt使用了哪些元素 对比分析 - 对比两个Prompt的差异 相似推荐 - 推荐相似的Prompt 元素统计 - 查询元素库统计信息 风格推荐 - 按风格推荐最佳元素组合 📋 功能1：查看Prompt详情 触发场景 用户说： "查看Prompt #5的详情" "分析一下Prompt #5用了哪些元素" "显示Prompt #5的完整信息" "Prompt #5包含什么？" SKILL处理流程 步骤1：识别意图 从用户输入中提取Prompt ID： # 示例：用户说 "查看Prompt #5的详情" prompt_id = 5 步骤2：调用执行层 from prompt_analyzer import analyze_prompt_detail result = analyze_prompt_detail(prompt_id= 5 ) 步骤3：检查结果 如果Prompt不存在： if 'error' in result: print ( f"❌ {result[ 'error' ]} " ) # 提示用户：该Prompt不存在，可能还没生成过任何Prompt 步骤4：格式化展示 📸 Prompt #5 详情 **用户需求** : {result['user _intent']} **生成时间** : {result['generation_ date']} **质量评分** : {result['quality _score']}/10 **风格标签** : {result['style_ tag']} **使用的元素** ({len(result['elements'])}个): 1. [{field _name}] {chinese_ name} (复用度: {reusability}) - 类别: {category} - 模板: {template} 2. ... **完整Prompt** : ──────────────────────────────────────────────────────── {result['prompt _text']} ──────────────────────────────────────────────────────── 📋 功能2：对比两个Prompts 触发场景 用户说： "对比Prompt #5和#17" "#5和#17有什么区别？" "比较一下Prompt #5和#17" SKILL处理流程 步骤1：识别意图 从用户输入中提取两个Prompt ID： # 示例：用户说 "对比Prompt #5和#17" prompt_id1 = 5 prompt_id2 = 17 步骤2：调用执行层 from prompt_analyzer import compare_prompts result = compare_prompts(prompt_id1= 5 , prompt_id2= 17 ) 步骤3：分析差异维度 SKILL分析返回的数据，生成对比表格： ⚖️ Prompt对比：#5 vs #17 ### 基本信息对比 | 维度 | Prompt #5 | Prompt #17 | |------|-----------|-----------| | 用户需求 | {p1['user _intent']} | {p2['user_ intent']} | | 风格标签 | {p1['style _tag']} | {p2['style_ tag']} | | 质量评分 | {p1['quality _score']}/10 | {p2['quality_ score']}/10 | | 元素总数 | {len(p1['elements'])}个 | {len(p2['elements'])}个 | | 生成时间 | {p1['generation _date']} | {p2['generation_ date']} | ### 元素差异分析 **相似度** : {result['similarity _score']*100:.1f}% **共同元素** ({len(result['common_ elements'])}个): - {common _element['chinese_ name']} ({common _element['category']}) - ... **Prompt #5 独有** ({len(result['unique_ to _p1'])}个): - {element['chinese_ name']} ({element['category']}) 关键词: {element[ 'template' ][ :50 ]}... - ... **Prompt #17 独有** ({len(result['unique _to_ p2'])}个): - {element['chinese _name']} ({element['category']}) 关键词: {element[ 'template' ][ :50 ]}... - ... 步骤4：分析结论 SKILL根据相似度给出结论： if result[ 'similarity_score' ] > 0.7 : print ( "💡 这两个Prompt非常相似，风格接近" ) elif result[ 'similarity_score' ] > 0.4 : print ( "💡 这两个Prompt有一定相似性，但风格有明显差异" ) else : print ( "💡 这两个Prompt完全不同，属于不同风格" ) 📋 功能3：推荐相似Prompts 触发场景 用户说： "推荐与#5相似的Prompt" "有没有类似#5的？" "找一些相似的提示词" "基于Prompt #5推荐相似的" SKILL处理流程 步骤1：识别意图 # 示例：用户说 "推荐与#5相似的Prompt" prompt_id = 5 top_n = 3 # 默认推荐3个 步骤2：调用执行层 from prompt_analyzer import recommend_similar_prompts result = recommend_similar_prompts(prompt_id= 5 , top_n= 3 ) 步骤3：分析推荐理由 SKILL解读相似度原因，为每个推荐Prompt生成理由： # 分析共同元素，找出相似的原因 def analyze_similarity_reason ( common_element_ids, target_prompt, candidate_prompt ): """ 分析两个Prompt为什么相似 返回： - 共同的风格标签 - 共同的元素类别 - 推荐理由列表 """ reasons = [] # 检查风格标签 if target_prompt[ 'style_tag' ] == candidate_prompt[ 'style_tag' ]: reasons.append( f"✓ 同为 {candidate_prompt[ 'style_tag' ]} 风格" ) # 按类别统计共同元素 category_count = {} for elem_id in common_element_ids: # 查询元素详情获取category # ... (执行层已返回) category = ... category_count[category] = category_count.get(category, 0 ) + 1 # 列出重要的共同类别 for category, count in category_count.items(): if count >= 2 : reasons.append( f"✓ {count} 个共同的 {category} 元素" ) return reasons 步骤4：格式化展示 🔍 为Prompt #5推荐相似提示词 [1] Prompt #{recommendation['prompt _id']} - {recommendation['user_ intent']} 相似度: {recommendation['similarity']*100:.1f}% 共同元素: {recommendation['common_count']}个 质量评分: {recommendation['quality_score']}/10 理由: - ✓ 同为{style_tag}风格 - ✓ 共用3个makeup元素 - ✓ 共用2个lighting元素 [2] ... [3] ... 📋 功能4：元素库统计 触发场景 用户说： "元素库有哪些类别？" "makeup类别有多少个元素？" "哪些元素用得最多？" "查看元素库统计" "makeup_styles的详细信息" SKILL处理流程 步骤1：识别意图 # 场景A：用户说 "元素库有哪些类别？" category = None # 查询整体统计 # 场景B：用户说 "makeup类别有多少个元素？" category = 'makeup_styles' # 查询特定类别 步骤2：调用执行层 from prompt_analyzer import get_library_statistics # 整体统计 result = get_library_statistics() # 或者特定类别 result = get_library_statistics(category= 'makeup_styles' ) 步骤3：格式化展示 场景A：整体统计 📊 元素库统计 **总计** : {result['total _elements']} 个元素 **按类别分布** : - makeup_ styles: {count}个 - clothing _styles: {count}个 - hair_ styles: {count}个 - lighting _techniques: {count}个 - facial_ features: {count}个 - ... 💡 使用 "查看makeup _styles详情" 查看具体元素列表 场景B：类别详情 📊 元素库统计 - {category} **类别** : {result[ 'category_details' ][ 'category' ]} **总数** : {result[ 'category_details' ][ 'total_count' ]} 个元素 **最常用元素** (Top 10): | 排名 | 元素名称 | 复用度 | 使用次数 | 平均质量 | |------|---------|--------|---------|---------| | 1 | {chinese _name} | {reusability} | {usage_ count}次 | {avg _quality}/10 | | 2 | ... | ... | ... | ... | | ... | **最高质量元素** (Top 5): [按avg_ quality排序] **从未使用的元素** ({count}个): [usage _count = 0的元素] 📋 功能5：按风格推荐元素组合 触发场景 用户说： "古装风格应该用什么元素？" "科幻风格的最佳元素组合是什么？" "推荐西部世界风格的元素" "ancient_chinese风格用哪些元素好？" SKILL处理流程 步骤1：识别意图 # 示例：用户说 "古装风格应该用什么元素？" # 映射用户描述到style_tag style_mapping = { '古装' : 'ancient_chinese' , '古装中式' : 'ancient_chinese' , '仙剑奇侠传' : 'ancient_chinese' , '科幻' : 'modern_sci_fi' , '西部世界' : 'westworld_android' , '赛博朋克' : 'cyberpunk' , '奇幻' : 'fantasy' } style = style_mapping.get( '古装' , 'ancient_chinese' ) 步骤2：调用执行层 from prompt_analyzer import recommend_elements_by_style result = recommend_elements_by_style(style= 'ancient_chinese' ) 步骤3：按类别组织推荐 SKILL将返回的元素按类别分组，便于展示： # 按category分组 elements_by_category = {} for element in result[ 'recommended_elements' ]: category = element[ 'category' ] if category not in elements_by_category: elements_by_category[category] = [] elements_by_category[category].append(element) # 按类别的最高使用频率排序 sorted_categories = sorted ( elements_by_category.items(), key= lambda x: max (e[ 'usage_frequency' ] for e in x[ 1 ]), reverse= True ) 步骤4：格式化展示 🎨 风格推荐：{result['style']} **数据来源** : 基于{result['total _prompts']}个历史Prompt分析 **推荐元素组合** (按类别): ### 1. {category_ name} [{field _name}] {chinese_ name} - 使用频率: {usage _frequency*100:.0f}% ({usage_ count}/{total _prompts}个Prompt使用) - 复用度: {reusability}/10 - 平均质量: {avg_ quality}/10 - 关键词: {template[:80]}... ### 2. {category _name} ... **使用建议** : - ✓ 这个组合在{style}风格中最常用，质量稳定 - ✓ 推荐搭配：{推荐的基础属性，如"东亚女性"} - ⚠️ 避免搭配：{冲突的元素} 🔧 执行层函数列表 SKILL调用以下执行函数（代码层只执行，不决策）： # 所有函数在 prompt_analyzer.py 中 def analyze_prompt_detail ( prompt_id: int ) -> dict : """查询Prompt完整信息""" def compare_prompts ( prompt_id1: int , prompt_id2: int ) -> dict : """对比两个Prompt差异"""