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

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):

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。

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。