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

|

| | 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)

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？"

查询整体统计

场景B：用户说 "makeup类别有多少个元素？"

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 -

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):

{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]}...

{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。

安装

示例：用户说 "查看Prompt #5的详情"

prompt_id

提示用户：该Prompt不存在，可能还没生成过任何Prompt

示例：用户说 "对比Prompt #5和#17"

prompt_id1

|

|

示例：用户说 "推荐与#5相似的Prompt"

prompt_id

默认推荐3个

分析共同元素，找出相似的原因

检查风格标签

按类别统计共同元素

category_count

查询元素详情获取category

... (执行层已返回)

category

列出重要的共同类别

场景A：用户说 "元素库有哪些类别？"

category

查询整体统计

场景B：用户说 "makeup类别有多少个元素？"

category

查询特定类别

整体统计

result

或者特定类别

result

|

|

|

|

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

按category分组

elements_by_category

按类别的最高使用频率排序

sorted_categories

所有函数在 prompt_analyzer.py 中

展示格式化结果

...

分析相似度

similarity

展示对比表格和结论

...

为每个推荐分析理由

展示推荐和理由

...

展示统计表格

details

按使用次数排序展示

...

按类别组织展示

elements_by_category

展示每个类别的推荐

...