Prompt Optimization Platform

Architecture Overview

提交原始提示词和目标模型，后端返回结构化优化结果和调用元数据。

{
  "rawPrompt": "帮我写一个学习计划",
  "targetModel": "deepseek",
  "scenario": "backend-learning"
}

{
  "optimizedPrompt": "You are a backend learning coach...",
  "sections": ["role", "task", "constraints", "output_format"],
  "model": "deepseek",
  "latencyMs": 1840
}

Data Model

Deployment Notes

• Keep provider API keys on the server side.
• Normalize provider responses before returning data to the browser.
• Add per-user rate limits before exposing model calls to wider traffic.
• Log failed provider calls so slow or unstable prompts can be diagnosed.

Engineering Decisions

项目背景

很多用户知道自己想让 AI 完成什么，但提示词缺少角色、上下文、限制条件和输出格式。这个项目把提示词优化拆成输入理解、结构重写、模型调用和结果展示。

解决的问题

• 原始提示词经常缺少明确任务、上下文和输出约束。
• DeepSeek 与 Gemini 等模型返回结构不同，前端需要稳定展示。
• 工具型产品需要兼顾可用体验、认证和模型调用安全。

核心功能

• 用户输入原始提示词并选择优化方向。
• 通过 DeepSeek / Gemini API 生成结构化优化结果。
• 前端展示优化后的 Prompt、关键改动和可复制结果。
• 使用 Supabase 处理基础认证和数据存储。

技术架构

• FastAPI 提供提示词优化接口和模型适配层。
• JavaScript 前端负责输入、结果展示和基础交互。
• Supabase 负责用户认证、数据记录和权限策略。
• 模型 API 通过统一服务层封装，便于继续扩展供应商。

技术难点

• 不同模型返回格式不稳定，前端展示需要容错。
• 提示词优化结果需要兼顾通用性和可执行性。
• 认证、存储和模型调用链路需要保持足够简单。

我的解决方案

• 统一封装模型响应结构，失败时返回可解释错误。
• 把优化 Prompt 拆成目标、上下文、约束和输出格式四个部分。
• 先使用 Supabase 降低外围能力成本，把重点放在 AI 调用体验。

Evidence to Add

下一步计划

• 增加 Prompt 模板库。
• 补充调用成本统计。
• 将核心接口迁移到 Java 后端版本。