提示词优化 MCP 服务器

一个模型上下文协议 (MCP) 服务器，为 AI 交互提供智能能提示词优化功能。此服务器在提供实用的提示词增强功的同时，展示了 MCP 的核心概念。

🎯 展示的核心 MCP 概念

此服务器展示了模型上下文协议的基本概念：

1. 服务器架构

服务器实例: 处理客户端请求的主要 MCP 服务器
传输层: 使用 StdioServerTransport 实现命令行兼容性
能力: 向 MCP 客户端声明提供工具的能力

2. 工具系统

工具定义: 基于 JSON Schema 的工具规范
输入验证: 使用模式进行结构化参数验证
响应格式化: 标准化的 MCP 响应格式

3. 通信协议

请求处理器: 实现 ListToolsRequestSchema 和 CallToolRequestSchema
错误处理: 正确的 MCP 错误响应格式化
异步操作: 非阻塞工具执行

🚀 功能特性

提示词优化器通过多种优化策略提供全面的提示词增强：

优化目标

清晰度 (Clarity): 移除模糊语言，提高具体性
具体性 (Specificity): 添加具体细节和约束条件
结构 (Structure): 用逻辑流程组织内容
上下文 (Context): 融入相关背景信息
可执行性 (Actionable): 使指令更具体和可执行
简洁性 (Conciseness): 在保持清晰度的同时去除冗余
示例 (Examples): 添加说明性示例
格式 (Format): 指定清晰的输出格式要求

分析能力

提示词长度分析
清晰度和具体性评分
上下文和约束检测
示例和格式识别

📦 安装

使用 npm 全局安装

npm install -g @zhaixiaowei/mcp-prompt-optimizer

使用 npx (推荐用于 Cursor)

npx @zhaixiaowei/mcp-prompt-optimizer

本地项目安装

npm install @zhaixiaowei/mcp-prompt-optimizer

🔧 配置

在 Cursor 中使用

要在 Cursor 中使用此 MCP 服务器，请将以下配置添加到你的 cursor的mcp配置中文件中：

方法 1: 使用 npx (推荐)

{
  "mcpServers": {
    "prompt-optimizer": {
      "command": "npx",
      "args": [
        "-y",
        "@zhaixiaowei/mcp-prompt-optimizer"
      ]
    }
  }
}

🛠️ 使用方法

配置完成后，你可以在 Cursor 中通过调用 optimize_prompt 工具来使用提示词优化器：

基本使用

请优化这个提示词: "写一些关于 AI 的内容"

带参数的高级使用

使用 optimize_prompt 工具，参数如下:
- originalPrompt: "写一些关于 AI 的内容"
- context: "这是为技术博客文章准备的"
- targetAudience: "软件开发者"
- optimizationGoals: ["clarity", "specificity", "examples"]
- style: "technical"

示例工具调用

{
  "originalPrompt": "写一些关于 AI 的内容",
  "context": "面向开发者的技术博客文章",
  "targetAudience": "软件开发者",
  "optimizationGoals": ["clarity", "specificity", "structure", "examples"],
  "style": "technical"
}

📊 响应格式

工具返回全面的优化结果：

{
  "optimizedPrompt": "你的提示词的增强版本...",
  "improvements": [
    "通过移除模糊语言增强了清晰度",
    "添加了具体的约束条件和要求",
    "重新组织内容，使其具有清晰的章节"
  ],
  "reasoning": "所做更改的详细分析...",
  "originalLength": 25,
  "optimizedLength": 150,
  "score": 8.5
}

🎯 使用场景

对于开发者

优化 API 文档提示词
增强代码审查指令
改进技术规范请求

对于内容创作者

完善写作提示词以获得更好的输出
构建复杂的内容请求
为创意简报增加清晰度

对于研究人员

改进数据分析提示词
构建研究问题
增强方法论描述

🔍 工作原理

分析阶段: 服务器分析你的原始提示词的清晰度、具体性、结构和其他因素
优化阶段: 根据你的目标应用选定的优化策略
增强阶段: 为你的目标受众和期望风格调整提示词
评分阶段: 根据应用的增强功能计算改进分数
推理阶段: 提供所做更改的详细解释

🤝 贡献

此服务器是模型上下文协议服务器集合的一部分。欢迎贡献！

📄 许可证

MIT 许可证 - 详情请参阅 LICENSE 文件。