Autoprompt

这是什么？适合谁？

Autoprompt（Spielewoy/autoprompt-skill）是一个编码 Agent 技能：在 agentic coding 任务上降低 45% 失败率（有量化声明），自动优化 prompt 与任务拆解。

核心价值：AI 编程最大的问题不是「不够聪明」，而是「不会提问」——用户给 Agent 的任务描述往往模糊、不完整，导致 Agent 产出不符合预期。Autoprompt 在 Agent 执行任务前自动优化 prompt，把模糊需求转化为可执行的精确任务。

适合人群：

• 经常使用 AI 编程的开发者：减少「AI 理解错了」的返工
• 需要 AI 处理复杂任务的团队：Autoprompt 将复杂任务拆解为子任务
• 研究 Prompt Engineering 的从业者：观察 Autoprompt 如何优化 prompt
• 降低 AI 编程失败率是刚需的所有用户

不适合：简单的单步任务（不需要优化）；已经使用结构化 prompt 模板的用户。

使用前提：Claude Code 或 Codex；无额外 API Key 需求（使用 Agent 的默认模型）。

准备工作

1. Claude Code 或 Codex：支持 Skill 安装
2. 成本：Skill 免费（MIT License）；每次优化额外消耗一次 LLM 调用（约 200-500 tokens）
3. 时间预算：安装 1 分钟；启用后自动生效

快速上手（3 步）

第一步：安装

claude install Spielewoy/autoprompt-skill

第二步：启用

Autoprompt 安装后默认启用。你也可以在特定任务中禁用：

"帮我重构这个模块，不用 autoprompt"

第三步：观察效果

"为我的电商系统添加优惠券功能"

Autoprompt 会自动将上述模糊需求优化为：

1. 定义优惠券数据模型（类型、面值、有效期）
2. 实现优惠券创建和管理 API
3. 实现订单结算时的优惠券应用逻辑
4. 添加优惠券使用限制（最低消费、适用商品）
5. 编写单元测试

初级用法

优化策略

Autoprompt 使用以下策略优化 prompt：

自定义优化规则

# autoprompt.yaml
rules:
  - type: "always-add"
    content: "使用 TypeScript 严格模式"
  - type: "always-add"
    content: "保持 API 向后兼容"
  - type: "never-suggest"
    content: "引入新的 npm 依赖"

高级玩法

任务模板

为常见任务创建模板，Autoprompt 自动填充：

templates:
  add-feature:
    steps:
      - 定义数据模型
      - 实现 API 端点
      - 添加前端组件
      - 编写测试
      - 更新文档

失败分析

Autoprompt 记录每次任务的优化前后对比，帮助分析失败原因：

"显示最近 10 次任务的 autoprompt 优化记录"

团队规则共享

提交 Autoprompt 配置到 Git 仓库，团队共享优化规则：

git add .autoprompt/
git commit -m "Add team autoprompt rules"

小技巧

1. 渐进式使用：先用默认规则，观察效果后再自定义
2. 规则最小化：规则越多，Autoprompt 越慢；只保留必要的规则
3. 定期审查：每月审查 Autoprompt 的优化记录，更新规则
4. 与 Code Review 结合：Code Review 中发现的常见问题，添加到 Autoprompt 规则中
5. 成本控制：简单任务可手动禁用 Autoprompt，节省 Token

常见踩坑

踩坑 1：过度优化

现象：简单任务被拆解为 10+ 个子任务

原因：Autoprompt 的拆解粒度太细

解决：在配置中设置 max_steps: 5；或对简单任务手动禁用

踩坑 2：规则冲突

现象：两条规则产生矛盾的指令

原因：自定义规则之间未检查一致性

解决：定期审查规则清单；使用 autoprompt validate 检查规则冲突

踩坑 3：45% 失败率降低不适用于所有场景

现象：在某些任务上 Autoprompt 反而降低了效率

原因：45% 是作者声明的平均效果，具体任务有差异

解决：在简单任务上禁用 Autoprompt；在复杂任务上保持启用

踩坑 4：上下文膨胀

现象：Autoprompt 优化后的 prompt 过长，超出模型上下文窗口

原因：优化后的子任务 + 上下文补充超出限制

解决：设置 max_prompt_tokens: 8000；使用摘要而非完整上下文

踩坑 5：与 Agent 原生功能冲突

现象：Claude Code 的 /plan 命令与 Autoprompt 产生重复

原因：Agent 自身的规划功能与 Autoprompt 重叠

解决：选择其一使用；通常 Agent 原生功能的优先级更高

常见问题 FAQ

Q1: 45% 失败率降低如何验证？

A: 作者声明在特定 benchmark 上测试得出。实际效果因任务类型和 Agent 模型而异。建议在你自己常见的任务上对比测试。

Q2: Autoprompt 和 Agent 原生的规划功能有什么区别？

A: Agent 原生规划（如 Claude Code 的 /plan）是 Agent 自己拆解任务，Autoprompt 是「在 Agent 看到任务之前」优化 prompt。两者可以互补，但可能有重叠。

Q3: 会消耗更多 Token 吗？

A: 是的。每次优化额外消耗约 200-500 tokens。对于复杂任务，优化减少的返工 Token 远大于优化消耗。

Q4: 支持哪些 Agent？

A: 主要支持 Claude Code 和 Codex。Cursor 和 Windsurf 支持有限。

Q5: 可以用于非编程任务吗？

A: 可以。Autoprompt 的优化策略是通用的，但当前版本主要针对编程任务优化。

进阶学习建议

掌握 Autoprompt 基础后，建议深入：

1. Prompt Engineering 方法论：研究 Chain-of-Thought、Tree-of-Thoughts、ReAct 等 Prompt 工程方法，理解 Autoprompt 的优化策略背后的原理。将这些方法论应用到自定义规则中。
2. 任务复杂度评估：建立任务复杂度评分模型，自动决定是否启用 Autoprompt。简单任务（如「重命名变量」）跳过，复杂任务（如「实现支付系统」）启用。
3. 团队知识编码：将团队的编码规范、架构决策、常见陷阱编码为 Autoprompt 规则，让新成员也能产出符合团队标准的代码。

参考链接

• 官方仓库
• Prompt Engineering Guide
• Anthropic 的 Prompt 工程指南

最后更新：2026-08-26 · 作者：MagicNetWorld · 基于公开资料整理，AI 辅助生成