prompt-architect
将模糊想法转化为27种学术级提示词框架，让AI输出质量提升一个档次
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
将模糊想法转化为27种学术级提示词框架，让AI输出质量提升一个档次
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你有没有过这样的经历：对ChatGPT说了一句"帮我写篇文章"，结果得到的文章要么太泛、要么缺重点、要么格式乱七八糟，不得不来回修改七八遍？问题不在于AI不够聪明，而在于我们大多数人写的提示词太"随意"——就像用大白话描述一道菜给厨师，听得懂，但做出来的八成不是你想要的味道。
Prompt Architect 就是来解决这个问题的。这是一个开源的AI提示词工程工具，它把学术界几十年的提示词研究成果，整理成一套普通人也能用、好用的提示词框架系统。无论你是想让AI帮你写代码、写文案、做分析，还是做创意创作，它都能帮你把模糊的想法，变成结构清晰、指令精确的"专业级提示词"。
Prompt Architect 将 27 种学术验证的提示词框架统一到一个工具中，支持 30+ 主流 AI 编程助手
提示词工程（Prompt Engineering）这个概念在2022-2023年伴随着大语言模型的爆发式应用而兴起。最早的"few-shot learning"、"chain-of-thought"等概念，都来自学术论文，但普通用户很少有机会系统接触这些研究成果。大多数人学习提示词的方式，是在网上看零散的技巧贴、刷别人分享的"神提示词"，没有体系、难以复用。
Charles Kelsoe（GitHub @ckelsoe）决定改变这个现状。他从2022年开始收集整理提示词框架，梳理了从CO-STAR（Meta科学家提出）、RISEN、TIDD-EC，到Chain of Density、Tree of Thought等数十种经过学术验证的提示词结构，将它们统一到一个标准化的框架系统中。2025年11月项目开源，到2026年已获得237颗星，成为Agent Skills生态中最受欢迎的提示词工具之一。
项目的设计哲学很清晰：AI输出质量的上限，由提示词质量决定。与其花时间反复修改AI的输出，不如一次性把提示词写对。Prompt Architect 就是这个理念的工具化实现。
Prompt Architect 最有价值的设计，不是某一个框架有多强大，而是它能根据你的意图自动推荐最适合的框架。
当你输入一个模糊的需求——比如"帮我分析一下竞品"——系统会先判断你的真实意图：你是想做数据分析（RISE-IE）？还是需要角色扮演式的竞品评审（RACE）？或者是想探索多种分析角度（Tree of Thought）？系统会列出最匹配的框架选项，并解释每个框架为什么适合你的场景，让用户从"被工具支配"变成"主动选择方法"。
这套推荐逻辑基于7大意图类别：
| 意图类别 | 典型场景 | 代表框架 |
|---|---|---|
| Create（创作） | 从零生成内容 | CO-STAR, RISEN, CRISPE |
| Transform（改造） | 改写、优化现有内容 | BAB, Self-Refine, Chain of Density |
| Reason（推理） | 分析、计算、解决问题 | Chain of Thought, RCoT, Plan-and-Solve |
| Critique（评审） | 找出问题、风险评估 | CAI Critique-Revise, Devil's Advocate |
| Recover（恢复） | 从输出反推提示词 | RPEF, Pre-Mortem |
| Clarify（澄清） | 需求本身不清晰时 | Reverse Role Prompting |
| Agentic（智能体） | 需要工具调用、多步迭代 | ReAct |
这种"先理解意图、再匹配框架"的流程，是 Prompt Architect 与简单提示词模板库的本质区别。它不是给你一堆模板让你自己挑，而是引导你思考清楚自己到底要什么。
框架从复杂度分三个等级：
低复杂度（5个）：APE（最简结构）、RTF（角色-任务-格式）、CTF（情境驱动）、BAB（改写专用）、Devil's Advocate（反驳论证）。适合日常快速任务，1-2分钟就能生成一个比原始输入好很多的提示词。
中复杂度（16个）：包括BROKE（OKR驱动）、TIDD-EC（精确指令）、RACE（专家评审）、ReAct（工具增强推理）、Chain of Thought（思维链）等。这是项目的主战场，覆盖了绝大多数专业使用场景。
高复杂度（6个）：CO-STAR、RISEN、CRISPE等，适合需要完整上下文的正式任务，比如给AI写一份完整的需求文档。
每个框架都配有详细的文档（skills/prompt-architect/references/frameworks/目录下有26个.md文件）和模板文件（assets/templates/目录下有29个.txt模板）。例如CO-STAR框架的文档长达7525字，详细解释了为什么要在提示词中包含Context（上下文）、Objective（目标）、Style（风格）等每个组件。
生成提示词后，系统会从5个维度评估质量：
评分结果帮助用户了解提示词当前的薄弱环节，针对性地进行改进，而不是凭感觉"再改改"。
Prompt Architect 的代码结构极为精简。主体是一个 SKILL.md 文件（约17464字），这就是整个工具的"核心代码"——它既是文档、也是prompt定义文件，完全遵循 Agent Skills 标准。这种设计有几个显著优势：
prompt-architect/
├── SKILL.md # 核心：技能定义（Agent Skills标准）
├── skills/prompt-architect/
│ ├── SKILL.md # Claude Code专用格式
│ ├── scripts/
│ │ ├── framework_analyzer.py # 框架推荐引擎（Python）
│ │ └── prompt_evaluator.py # 提示词质量评估（Python）
│ ├── references/frameworks/ # 26个框架参考文档（Markdown）
│ └── assets/templates/ # 29个框架模板文件（TXT）
├── adapters/ # 各工具适配器
│ ├── system-prompt.md # 通用系统提示词版
│ ├── for-windsurf.md # Windsurf .windsurfrules格式
│ └── for-cursor.md 等
└── scripts/
├── install.js # 交互式安装脚本
└── validate-skill.js # SKILL.md结构验证
| 层级 | 技术选型 | 说明 |
|---|---|---|
| 核心定义 | Markdown（SKILL.md） | Agent Skills标准文件，定义所有提示词框架和交互逻辑 |
| 安装脚本 | Node.js | 交互式安装，支持检测Claude Code、Gemini CLI等 |
| 分析工具 | Python | framework_analyzer.py（37770字）、prompt_evaluator.py（12622字） |
| 发布分发 | npm（@ckelsoe/prompt-architect） | GitHub Package Registry |
| CI/CD | GitHub Actions | test.yml（Node 18/20/22多版本测试）、publish.yml、version-bump.yml |
Python分析工具的存在值得注意：虽然项目的"前端"是Markdown格式的SKILL.md，但背后有一套完整的Python框架推荐引擎（framework_analyzer.py，35776字），实现了意图识别、关键词匹配、框架排序等逻辑。prompt_evaluator.py则实现了五维质量评分算法。这说明项目的设计者不仅懂提示词工程本身，也有扎实的工程化能力。
Prompt Architect 能在30+工具间互操作，核心在于 Agent Skills 开放标准（agentskills.io）。这是一个类似于"VSCode插件市场"的机制——开发者写一份标准格式的SKILL.md文件，就可以在所有支持该标准的AI工具中使用。标准定义了：
这个标准目前已被 Claude Code、Gemini CLI、Cursor、Windsurf、GitHub Copilot 等主流AI编码工具广泛支持。
通过npm一键安装（无需克隆仓库）：
npx @ckelsoe/prompt-architect
npx命令会启动一个交互式安装向导，自动检测用户系统中已安装的AI工具（Claude Code、Gemini CLI、Cursor等），并询问用户想把技能安装到哪个工具中。对于没有npm环境的用户，也可以直接从GitHub Releases下载 .skill 文件，手动导入。
注意：项目描述中标注为Python项目，但实际上核心代码是Markdown，Python脚本只是辅助分析工具。GitHub统计的"Python"语言标识可能来自framework_analyzer.py文件。
框架知识需要学习成本：27种框架各有适用场景，新用户面对"系统推荐了3个框架"的提示时，可能仍然不知道选哪个好。虽然有说明文档，但学习曲线仍然存在。
效果依赖底层模型能力：Prompt Architect 优化的是"给模型的指令"，但指令再好，模型本身的能力上限仍然是瓶颈。在较弱的模型上，使用CO-STAR框架的效果可能不如直接用强模型+简单指令。
创意性任务效果有限：对于真正需要创意发散的任务（如"帮我头脑风暴10个创业方向"），过于结构化的提示词反而可能限制AI的创造性输出。框架主要适用于有明确目标的任务。
中文资料不足：目前SKILL.md和所有框架文档均为英文，虽然支持中文提示词输入，但框架原理的学习需要阅读英文文档。
| 工具 | 类型 | 框架数量 | 互操作性 | 适用人群 |
|---|---|---|---|---|
| Prompt Architect | 开源Agent Skill | 27 | 30+工具 | AI开发者/提示词工程师 |
| PromptBase | 商业市场 | 商业提示词 | 仅平台内 | 普通用户 |
| ClickUp/Prompt Engineers | 模板库 | 固定模板 | 无 | 内容创作者 |
| LangChain/LlamaIndex | 开发框架 | 无（API驱动） | 开发者 | AI应用开发者 |
Prompt Architect 的核心竞争力在于学术框架的系统化和跨工具的互操作性，而不是简单的提示词模板集合。
Prompt Architect 的出现代表了AI应用领域的一个趋势：提示词工程从"个人技巧"向"系统工程"演进。
早期，提示词工程是少数极客探索出来的"偏方"——零星的技巧、零散的经验。现在，随着CO-STAR、Chain of Thought等框架被学术界系统研究，加上Agent Skills等开放标准的出现，提示词工程正在变得可复用、可积累、可传承。Prompt Architect 正是这一趋势的典型代表。
从GitHub数据看，项目在6个月内获得了237颗星、28个fork，issues数为0（表示维护状态良好），topics涵盖了agent-skills、prompt-engineering、claude-code等19个标签，说明它已经融入了AI开发者生态的主流语境。
对于AI爱好者的价值在于：它把原本需要大量阅读学术论文才能获得的提示词知识，变成了一键可用的工具。对于AI开发者，它提供的Agent Skills标准接口，是构建高质量AI应用的基础设施。
总结：如果你经常和AI工具打交道，却总觉得AI输出的结果"差一点意思"，与其反复调整需求，不如试试 Prompt Architect。它可能不会让AI变聪明，但一定会让你写提示词的能力上一个台阶。
本报告由 PIFS 开源情报系统生成，分析对象：ckelsoe/prompt-architect（237★, MIT License）