AI Prompt Optimization Platform：让每一次 AI 对话都更精准

一款专为中国 AI 开发者设计的 Prompt 工程平台

想象这样一个场景：你在调试一个复杂的多轮对话 AI 应用，反复修改 Prompt 效果却始终不理想——回答要么太泛泛、要么漏掉关键信息、要么格式混乱。传统做法是凭经验反复试错，而现在，AI Prompt Optimization Platform（AIDotNet/auto-prompt）提供了一套系统化的解决方案。

这是一个由国内团队开发的专业 Prompt 优化平台，GitHub 星标 777 个，支持通过智能算法对 Prompt 进行结构分析、深度推理优化和多维度评分，帮助开发者和内容创作者快速提升 AI 对话质量和准确率。平台同时内置社区分享机制，用户可以发布自己优化后的 Prompt 模板，也可以借鉴社区的高质量模板。

图1：项目 GitHub 主页面

项目背景与团队

AIDotNet/auto-prompt 由 AIDotNet 组织开发维护，背后的 TokenAI 团队（https://console.token-ai.cn）同时运营着国内 AI API 服务平台。项目采用前后端分离架构，后端基于 .NET 9.0 + Microsoft Semantic Kernel，前端基于 React 19 + Ant Design，整体技术选型在国内外都有成熟的生态支撑。

开源许可证为 LGPL，这是一个在商业项目中使用也比较友好的许可证——允许商业集成，只需开源对 LGPL 库本身的修改。这对于有商业化需求的企业来说是一个加分项。项目默认分支为 main，接受 GitHub Pull Request 贡献，有完整的 CI/CD 流程（GitHub Actions）。

核心功能：从 Prompt 优化到社区共享

智能 Prompt 优化

这是平台最核心的能力。平台内置了多种 Semantic Kernel 插件，分别处理不同场景的优化需求：

• OptimizeInitialPrompt：基础结构优化，分析 Prompt 语义结构和逻辑关系，从清晰度、准确度、完整度等多个维度提出改进建议。
• DeepReasoning / DeepReasoningPrompt：深度推理模式，启用 AI 的深度思考能力，输出详细的分析过程，帮助理解 Prompt 的潜在问题。
• DeepReasoningFunctionCalling / DeepReasoningFunctionCallingPrompt：函数调用场景优化，针对需要 AI 调用外部工具（Function Calling）的 Prompt 场景进行专门优化。
• ImagePrompt / OptimizeImagePrompt：图片生成 Prompt 优化，针对文生图模型（GPT Image 1、DALL-E 3 等）的 Prompt 特点进行调优。
• ScorePrompt：对优化后的 Prompt 进行质量评分，提供量化参考。
• Suggestion：提供优化建议，引导用户进一步迭代 Prompt。

这些插件通过 Semantic Kernel 的 Plugins 机制加载，统一通过 KernelFactory 管理，每个插件有独立的 config.json（模型配置）和 skprompt.txt（Prompt 模板），修改和扩展都非常方便。

Prompt 模板管理

平台支持将优化后的 Prompt 保存为可复用模板，支持多标签分类管理、收藏功能、使用统计。模板可以设为私密（仅自己使用）或公开（分享给社区）。平台提供搜索功能，用户可以根据标签、关键词快速找到所需模板。

社区分享与社交

这是一个完整的社区平台：用户可以对模板点赞、评论、收藏，平台根据浏览量、点赞量展示热门模板排行榜。通过社区机制，高质量的 Prompt 模板得到传播和认可，形成正向循环。

可视化调试工具

平台提供直观的调试界面，支持实时预览 Prompt 优化效果、保存优化历史记录、支持版本对比、导出优化结果为多种格式。这些功能极大降低了 Prompt 工程的学习门槛——用户不需要懂代码，也能通过可视化界面完成复杂的 Prompt 调优。

多语言支持

前端内置 i18next 多语言方案，支持中英文界面切换，并自动检测浏览器语言设置。对于中文用户来说，开箱即用的中文界面是一个贴心的细节。

技术架构：Semantic Kernel 插件化 + MCP 扩展

后端架构

后端采用 .NET 9.0 + ASP.NET Core，核心 AI 引擎是 Microsoft Semantic Kernel 1.56.0（以及 Semantic Kernel Agents 系列包用于 Agent 编排）。这种选型有几个显著优势：

Semantic Kernel 的插件化设计：整个项目围绕 Semantic Kernel 的 Plugins 体系构建，每个优化能力都是一个独立插件（对应 plugins/Generate/ 下的子目录）。这种设计使得添加新的优化策略非常简单——只需新增一个插件目录，配置模型和 Prompt 模板即可，无需修改核心代码。

MCP（Model Context Protocol）扩展：项目集成了 MCP.AspNetCore（0.2.0-preview.3）和 ModelContextProtocolServer.Sse，暴露了 PromptTool MCP 工具，允许其他 AI 代理通过 MCP 协议调用本平台的 Prompt 优化能力。这意味着 auto-prompt 不仅是一个 Web 应用，也是一个可以被其他 Agent 系统集成的服务。

数据库层：支持 PostgreSQL（生产环境推荐，通过 Npgsql.EntityFrameworkCore.PostgreSQL）和 SQLite（轻量级），通过 Entity Framework Core 9.0 统一管理数据模型。项目包含数据迁移服务（MigrateDataBackgroundService），启动时自动完成数据库初始化。

AI 路由与熔断：通过 KernelFactory 统一管理 Semantic Kernel 实例，支持配置多个 AI 模型（gpt-4、qwen2.5-coder 等），内置 Polly 熔断策略（CircuitBreakerPolicy），防止 AI 服务不可用时拖垮整个系统。HTTP 客户端设置了 600 秒超时，适合处理长推理场景。

API 文档：集成 Scalar.AspNetCore，提供交互式 OpenAPI 文档界面，开发调试非常方便。日志使用 Serilog 结构化日志，写入控制台、文件和调试输出。

前端架构

前端基于 React 19.1.0 + TypeScript，使用 Vite 6.3.5 作为构建工具。UI 组件库选用了 Ant Design 5.25.3，在企业级应用中非常成熟，组件丰富度和一致性都有保障。

状态管理使用 Zustand 5.0.5，这是一个轻量级但功能完整的 React 状态管理库，比 Redux 简洁得多。路由由 React Router DOM 7.6.1 处理。i18n 通过 i18next 实现。

编辑器使用 TipTap（基于 ProseMirror），这是一个可扩展的富文本编辑器，auto-prompt 用来构建 Prompt 的可视化编辑体验。代码高亮使用 Prism.js + React Syntax Highlighter。

前后端一体构建：Dockerfile 采用多阶段构建：第一步用 node:20.18-alpine3.21 构建前端（yarn build），第二步用 mcr.microsoft.com/dotnet/sdk:9.0 编译后端，最后将产物合并到一个运行镜像中。这保证了部署包的一致性。

服务发现

平台提供 Ollama 集成方式，通过 docker-compose-ollama.yaml 可以一键拉起本地 AI 服务（qwen3、qwen2.5:3b、llama3.2:3b 等），无需依赖外部 AI API。对于有数据隐私要求的企业，这个特性非常实用。

容器化与一键部署

auto-prompt 在容器化方面做得非常完善：

• 多阶段 Dockerfile：前端构建和后端编译在 build 阶段完成，最终运行时镜像只包含最小化的 aspnet:9.0 Runtime，镜像体积可控。
• docker-compose.yaml：标准部署方式，一条命令 docker-compose up -d 即可启动，默认暴露 10426 端口。内置三种部署模式：标准部署（连接 TokenAI API）、自定义端点部署（连接其他 OpenAI 兼容 API）、Ollama 本地 AI 部署。
• 一键脚本：start-ollama.sh / start-ollama.bat 自动完成服务启动、模型拉取、状态验证的完整流程。

部署难度中等，主要门槛是需要准备一个有效的 API Key（OpenAI 兼容端点）。如果选择 Ollama 模式则完全本地化，但需要足够的磁盘空间拉取模型（qwen3 约 5GB）。

安全性与隐私

平台采用 JWT Token 认证，用户注册登录后通过 Token 访问 API。Prompt 模板可以选择私密或公开，私模板仅创建者可见。平台本身是一个本地部署的服务，API Key 通过环境变量注入，不会在前端暴露。

值得注意的是，项目集成了 YARP 反向代理（Yarp.ReverseProxy 2.3.0），这为未来接入更多 AI 端点提供了灵活性，同时也意味着在部署时需要注意网络隔离，防止未授权访问。

项目质量评估

从代码组织来看，项目采用了清晰的分层架构：核心数据模型（Console.Core）、数据访问（Console.Provider.*）、业务服务（Console.Service/Services）、AI 引擎（Console.Service/AI）、前端（web）。各层职责明确，依赖方向单一。

文档方面，README 非常详尽，包含了完整的部署指南、多模式配置示例、快速启动脚本。额外提供了 docs/PromptService-API.md 和 docs/PromptService-Quick-Reference.md 两份 API 参考文档，对开发者非常友好。

GitHub Actions CI/CD 流程包含 release 工作流，持续集成有保障。

局限与注意事项

需要客观指出的是，auto-prompt 目前不是一个通用的大语言模型——它本身并不运行任何 AI 模型，而是依赖于外部 AI API（OpenAI 兼容端点）。这意味着：

1. 使用成本取决于 AI API 提供方的定价
2. 服务可用性受制于 AI API 的稳定性
3. 数据隐私取决于 AI API 提供方的政策（选择 Ollama 模式可完全本地化）

此外，项目默认 API 端点指向 https://api.token-ai.cn/v1（TokenAI 国内镜像），如果需要使用官方 OpenAI API 或其他兼容端点，需要在 docker-compose.override.yaml 中配置。

总结

AIDotNet/auto-prompt 是一个工程化程度相当高的 Prompt 工程平台。它将 Prompt 优化这一经验驱动的工作变得系统化、可量化、可复用，同时提供了完整的社区生态和可视化调试工具。对于 AI 应用开发者、内容创作者以及 Prompt 工程学习者来说，这是一个值得深入了解的工具。其基于 Semantic Kernel 的插件化架构也为未来扩展新的优化策略提供了良好的基础。