prompt-analyzer

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：

1. 查看详情 - 分析Prompt使用了哪些元素
2. 对比分析 - 对比两个Prompt的差异
3. 相似推荐 - 推荐相似的Prompt
4. 元素统计 - 查询元素库统计信息
5. 风格推荐 - 按风格推荐最佳元素组合

---

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：

```python

# 示例：用户说 "查看Prompt #5的详情"

prompt_id = 5

```

#### 步骤2：调用执行层

```python

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：

```python

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

```markdown

📸 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}

1. ...

完整Prompt:

────────────────────────────────────────────────────────

{result['prompt_text']}

────────────────────────────────────────────────────────

```

---

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：

```python

# 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

```python

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：

```markdown

⚖️ 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：

```python

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")

```

---

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

```python

# 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

```python

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：

```python

# 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

```markdown

🔍 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] ...

```

---

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

```python

# 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

```python

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

```markdown

📊 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

```markdown

📊 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]

```

---

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

```python

# 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

```python

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：

```python

# 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

```markdown

🎨 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}

```

---

SKILL调用以下执行函数（代码层只执行，不决策）：

```python

# 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"""

```

---

```

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。

---

✅ 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"

---

示例1：查看详情

用户: "查看Prompt #1的详情"

SKILL处理:

```python

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:

```python

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:

```python

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:

```python

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:

```python

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}%)")

# ...

```

---

1. 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。

```

1. 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

1. 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

1. 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。