prompt-optimizer 提示词优化插件实战指南：从接入本地模型到 MCP 部署的完整流程

prompt-optimizer 提示词优化插件实战指南：从接入本地模型到 MCP 部署的完整流程

【免费下载链接】prompt-optimizerAn AI prompt optimizer for writing better prompts and getting better AI results.项目地址: https://gitcode.com/GitHub_Trending/pro/prompt-optimizer

prompt-optimizer（提示词优化器）是一个开源的提示词优化工具，把一句粗糙的提示词改写成结构更完整、约束更明确的版本，并提供多轮迭代、对比评估与收藏复用等能力。它同时以 Web 应用、桌面应用、Chrome 扩展和 Docker 镜像四种形态交付，数据默认留在本地，适合想改善 AI 输出质量、又希望自行掌控模型与部署的开发者与团队。下面按"先跑起来 → 接入自己的模型 → 让其他工具调用 → 稳定跑在生产"的顺序，给出可执行的操作路径。

一、快速跑起本地开发环境

要参与开发或二次改造，先拉下源码并安装依赖。项目基于 pnpm 工作区管理多个子包，pnpm dev会依次构建 core 与 ui、再启动 Web 应用。仓库里附了一份本地开发的完整说明，需要排错时可对照 docs/developer/development.md。

git clone https://gitcode.com/GitHub_Trending/pro/prompt-optimizer cd prompt-optimizer pnpm install pnpm dev

跑通之后就能在浏览器里看到主界面：左侧放原始提示词与优化结果，右侧是测试区，可直接对比优化前后的输出差异。下面的知识图谱提取示例里，系统提示词被改写成带 Profile、Skills 的结构化角色设定，右侧两栏则呈现同一输入下"优化前 / 优化后"的结果对照。

如果只想体验而不用改代码，也可以直接安装 Chrome 扩展：核心配置（权限、内容安全策略、后台服务 worker）都写在 packages/extension/public/manifest.json，其中permissions声明为空数组，权限保持最小化。在 Chrome 打开chrome://extensions/、启用"开发者模式"并加载构建出的dist目录，选中文本后右键即可调用优化。

二、接入自有模型与本地 Ollama 服务

默认支持 OpenAI、Gemini、DeepSeek、Grok、智谱、SiliconFlow 等主流服务，密钥在右上角"设置 → 模型管理"里逐模型填写即可。若你的模型不在默认列表里，或想连本地服务，可以用"自定义模型"能力。

规则是：给同一组变量加同一个后缀<suffix>，后缀只能含字母、数字、下划线与连字符，且API_KEY、BASE_URL、MODEL三项缺一不可。以本地 Ollama 为例：

# 三项均必填，后缀需一致 VITE_CUSTOM_API_KEY_ollama=dummy-key VITE_CUSTOM_API_BASE_URL_ollama=http://localhost:11434/v1 VITE_CUSTOM_API_MODEL_ollama=qwen2.5:7b

更完整的变量清单（含图像生成、MCP、Docker 访问控制等）可直接对照仓库根目录的 env.local.example，复制为.env.local后填入真实值即可。

需要提醒的是，纯前端形态（在线版、Vercel、Docker Web）都受浏览器 CORS 约束。连本地 Ollama 时，通常要设置OLLAMA_ORIGINS=*（必要时再加OLLAMA_HOST=0.0.0.0:11434）放行跨域；HTTPS 页面访问本地 HTTP 服务还会触发 Mixed Content 拦截。遇到这类限制，桌面应用因为没有 CORS 与同源约束，是最稳的接法；或者走自建 API 代理再作为自定义端点填入。

三、部署 MCP 服务并接入 AI 客户端

MCP（Model Context Protocol）服务是这个项目的集成中枢，把提示词优化能力暴露给支持 MCP 的应用，例如 Claude Desktop。Docker 方式下，Web 界面与 MCP 服务会同时启动，共用同一端口，MCP 走/mcp路径。

docker run -d -p 8081:80 \ -e VITE_OPENAI_API_KEY=your-openai-key \ -e MCP_DEFAULT_MODEL_PROVIDER=openai \ --name prompt-optimizer \ linshen/prompt-optimizer

启动后，Web 界面在http://localhost:8081，MCP 服务在http://localhost:8081/mcp。服务对外提供三个工具：optimize-user-prompt（优化用户提示词）、optimize-system-prompt（优化系统提示词）、iterate-prompt（按具体需求迭代改进成熟提示词）。MCP_DEFAULT_MODEL_PROVIDER在配置了多个密钥时用来指定首选提供商，可选 openai、gemini、anthropic、deepseek、grok、siliconflow、zhipu、dashscope、openrouter、modelscope、custom 等。

客户端接入

以 Claude Desktop 为例，在其配置目录下（macOS 为~/Library/Application Support/Claude/services，Linux 为~/.config/Claude/services）创建或编辑services.json，把一条url指向http://localhost:8081/mcp的记录加入services数组即可。端口不是 8081 时，记得替换成实际地址。更多连接方式与参数说明见 docs/user/mcp-server.md。

四、生产环境部署与访问控制

生产部署有两条常见路线。Vercel 适合纯前端托管：关联仓库后，在"Build and Deployment"里把输出目录设为packages/web/dist，并配好安装与构建命令，保存后按环境变量注入模型密钥即可，效果如下。

注意VITE_*前缀的值会暴露在前端产物中，公网部署不要预填 API 密钥，改用界面内逐用户填写更稳妥。若需要访问控制，设置ACCESS_PASSWORD开启密码限制即可。

私有化或需要自带模型的场景，推荐 Docker / Docker Compose。Compose 编排文件位于 docker/docker-compose.yml，可通过环境变量注入各模型密钥，并可选地加上基础认证：

docker run -d -p 8081:80 \ -e ACCESS_USERNAME=admin \ -e ACCESS_PASSWORD=your-password \ --name prompt-optimizer \ linshen/prompt-optimizer

ACCESS_USERNAME缺省为 admin，ACCESS_PASSWORD不设置则无密码保护。Cloudflare 部署可走 Workers Builds 路径，wrangler.jsonc会构建 Web 前端并静态发布packages/web/dist，访问控制交给 Cloudflare Access 即可，无需改动应用代码。

五、后续方向与下一步

路线图里尚未勾选项是工作区 / 项目管理能力，其余核心功能（多模型、图像生成 T2I / I2I / 多图、收藏与模板、MCP 服务、高级测试模式）均已交付。想继续深入，建议从这几处入手：文档总入口在docs/README.md，本地开发规范见docs/developer/development.md，架构与重构记录集中在docs/architecture/与docs/archives/。使用或集成中遇到的问题，直接在仓库提 Issue 反馈即可。

【免费下载链接】prompt-optimizerAn AI prompt optimizer for writing better prompts and getting better AI results.项目地址: https://gitcode.com/GitHub_Trending/pro/prompt-optimizer