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""" def recommend_similar_prompts(prompt_id: int, top_n: int = 3) -> list: """推荐相似Prompts""" def get_library_statistics(category: str = None) -> dict: """查询元素库统计""" def recommend_elements_by_style(style: str) -> dict: """按风格推荐元素组合"""
📁 数据依赖
elements.db
├── elements # 元素库（由universal-learner维护）
├── generated_prompts # 生成历史（由intelligent-prompt-generator写入）
├── prompt_elements # Prompt-元素关联
└── element_usage_stats # 元素使用统计
重要：prompt-analyzer依赖intelligent-prompt-generator生成的历史数据。如果数据库中没有generated_prompts记录，分析功能无法工作。
⚙️ 架构原则
✅ SKILL = 大脑（决策层）
- 识别用户意图
- 分析返回数据
- 格式化展示结果
- 生成推荐理由
✅ 代码 = 手脚（执行层）
- 查询数据库
- 计算相似度
- 返回原始数据
❌ 代码不做决策
- 不判断"哪个更好"
- 不决定"展示什么"
- 只负责"取数据"
使用示例
示例1：查看详情
用户: "查看Prompt #1的详情"
SKILL处理:
from prompt_analyzer import analyze_prompt_detail result = analyze_prompt_detail(prompt_id=1) # 展示格式化结果 print(f"📸 Prompt #{result['prompt_id']} 详情\n") print(f"**用户需求**: {result['user_intent']}") print(f"**生成时间**: {result['generation_date']}") # ...
示例2：对比Prompts
用户: "对比Prompt #1和#2"
SKILL处理:
from prompt_analyzer import compare_prompts result = compare_prompts(prompt_id1=1, prompt_id2=2) # 分析相似度 similarity = result['similarity_score'] if similarity > 0.7: conclusion = "非常相似" elif similarity > 0.4: conclusion = "有一定相似性" else: conclusion = "完全不同" # 展示对比表格和结论 # ...
示例3：推荐相似Prompt
用户: "推荐与#1相似的Prompt"
SKILL处理:
from prompt_analyzer import recommend_similar_prompts recommendations = recommend_similar_prompts(prompt_id=1, top_n=3) # 为每个推荐分析理由 for rec in recommendations: reasons = analyze_similarity_reason( rec['common_element_ids'], target_prompt_id=1, candidate_prompt_id=rec['prompt_id'] ) # 展示推荐和理由 # ...
示例4：元素库统计
用户: "查看makeup_styles类别详情"
SKILL处理:
from prompt_analyzer import get_library_statistics result = get_library_statistics(category='makeup_styles') # 展示统计表格 details = result['category_details'] print(f"📊 {details['category']} - {details['total_count']}个元素\n") # 按使用次数排序展示 # ...
示例5：风格推荐
用户: "古装风格应该用什么元素？"
SKILL处理:
from prompt_analyzer import recommend_elements_by_style result = recommend_elements_by_style(style='ancient_chinese') # 按类别组织展示 elements_by_category = group_by_category(result['recommended_elements']) # 展示每个类别的推荐 for category, elements in elements_by_category.items(): print(f"### {category}") for elem in elements: print(f" - {elem['chinese_name']} (使用频率: {elem['usage_frequency']*100:.0f}%)") # ...
⚠️ 重要提醒
-
数据前提：必须先有生成历史才能分析
- 如果用户说"查看Prompt #5"，但数据库中没有任何Prompt，应提示：
❌ 数据库中还没有生成历史。 💡 请先使用 intelligent-prompt-generator 生成一些Prompt。
- 如果用户说"查看Prompt #5"，但数据库中没有任何Prompt，应提示：
-
Prompt ID范围：只能查询已存在的Prompt ID
- 用户输入的ID可能不存在，需要检查error字段
-
风格标签一致性：风格推荐依赖style_tag
- style_tag由intelligent-prompt-generator在保存时设置
- 常见标签：ancient_chinese, modern_sci_fi, cyberpunk, fantasy, westworld_android
-
元素类别名称：查询统计时使用正确的category名称
- makeup_styles (不是makeup)
- lighting_techniques (不是lighting)
- clothing_styles, hair_styles, facial_features 等
准备好分析提示词！等待用户的分析请求。