Prompt Extractor - AI绘画提示词模块化提取工具
快速开始
1. 激活Skill
在Claude Code中调用：
/skill prompt-extractor或者直接说：
使用 prompt-extractor 分析我的提示词2. 输入方式（二选一）
方式A：文件路径（适合大批量）
支持三种格式：
TXT格式 (每行一个提示词)
a portrait of a woman, cinematic lighting, 85mm lens, ultra detailed
cyberpunk city at night, neon lights, rain, photorealisticCSV格式
id,prompt,score
1,"a portrait of a woman, cinematic lighting",8.5
2,"cyberpunk city at night, neon lights",9.2JSON格式
[
{"prompt": "a portrait of a woman, cinematic lighting, 85mm lens"},
{"prompt": "cyberpunk city at night, neon lights, rain"}
]方式B：直接粘贴（适合快速分析，推荐！✨）
我：帮我分析这些提示词：
a portrait of a woman, cinematic lighting, 85mm lens, ultra detailed
cyberpunk city at night, neon lights, rain, photorealistic
beautiful landscape, golden hour, dramatic clouds, HDR无需创建文件，直接粘贴即可！
详见：粘贴模式完整指南
3. 自动处理
Skill会自动：
- 识别文件格式
- 清洗和去重
- 聚类分析（如果>100条）
- 逐条提取模块
- 生成模块库和分析报告
输出文件说明
extracted_modules.json
完整的提取结果，每条提示词对应一个JSON对象：
{
"original_prompt": "a portrait of a young woman, cinematic lighting, 85mm lens f/1.4, ultra detailed, photorealistic",
"theme": "人像摄影",
"modules": {
"subject_variables": {
"main": "young woman",
"modifiers": ["portrait"],
"is_replaceable": true
},
"visual_style": {
"art_style": "photorealistic",
"reference_artists": [],
"color_palette": "natural tones"
},
"technical_parameters": {
"camera": "85mm lens f/1.4",
"lighting": "cinematic lighting",
"render_engine": null,
"resolution": "ultra detailed"
},
"detail_enhancers": ["ultra detailed", "photorealistic"],
"mood_atmosphere": "professional, elegant",
"constraints": {
"negative_prompt": "",
"exclusions": []
}
},
"quality_score": {
"clarity": 9,
"detail_richness": 8,
"reusability": 9,
"comments": "结构清晰，技术参数具体，高度可复用"
},
"extracted_patterns": {
"structure_type": "分层描述：主体 + 技术 + 质量",
"advantages": ["参数明确", "易于替换主体", "专业摄影标准"],
"reusable_templates": "{主体}, {光线}, {镜头参数}, {质量增强}"
}
}module_library.json
去重后的通用模块库：
{
"visual_styles": {
"art_styles": ["photorealistic", "cinematic", "cyberpunk", "anime", "oil painting"],
"frequency": {"photorealistic": 45, "cinematic": 38}
},
"technical_params": {
"camera_angles": ["85mm lens", "wide angle", "macro", "aerial view"],
"lighting": ["cinematic lighting", "soft light", "backlight", "golden hour"],
"render_engines": ["Unreal Engine", "Octane Render", "V-Ray"]
},
"detail_enhancers": [
"ultra detailed", "8k", "hyperrealistic", "intricate details",
"sharp focus", "professional photography"
],
"templates": [
{
"name": "人像摄影模板",
"structure": "{主体}, {光线}, {镜头}, {质量增强}",
"example": "a portrait of {subject}, cinematic lighting, 85mm lens, ultra detailed",
"usage_count": 23,
"avg_quality_score": 8.7
},
{
"name": "场景构图模板",
"structure": "{场景}, {氛围}, {视角}, {风格}, {质量}",
"example": "{location} at {time}, {mood}, {camera_angle}, {art_style}, {detail_enhancers}",
"usage_count": 18,
"avg_quality_score": 8.2
}
],
"high_value_modules": [
{
"module": "cinematic lighting, 85mm lens f/1.4",
"reusability_score": 9.5,
"category": "technical_parameters",
"usage_scenarios": ["人像", "产品", "静物"]
}
]
}analysis_report.md
可读的分析报告：
# 提示词分析报告
## 数据概览
- 总数：500条
- 清洗后：487条
- 去重：13条
- 主题分布：
- 人像摄影：145条 (29.8%)
- 风景场景：132条 (27.1%)
- 概念艺术：98条 (20.1%)
- 其他：112条 (23.0%)
## 高频模块
### 视觉风格 Top 5
1. photorealistic (92次)
2. cinematic (76次)
3. cyberpunk (54次)
4. anime style (43次)
5. oil painting (38次)
### 技术参数 Top 5
1. cinematic lighting (88次)
2. 85mm lens (67次)
3. ultra detailed (156次)
4. 8k (89次)
5. Unreal Engine (45次)
## 推荐组合
### 组合1：专业人像
**模板：** {人物}, cinematic lighting, 85mm lens f/1.4, ultra detailed, photorealistic
**优势：** 技术参数明确，成片率高
**适用场景：** 人像、半身像、特写
### 组合2：赛博朋克城市
**模板：** cyberpunk {场景}, neon lights, rain, night, cinematic, 8k
**优势：** 氛围强烈，视觉冲击力强
**适用场景：** 科幻、城市、未来主义
## 改进建议
1. **增加负面提示**：只有23%的提示词包含负面提示，建议补充
2. **细化技术参数**：67%的提示缺乏具体镜头参数
3. **明确艺术风格**：建议每个提示都指定清晰的风格标签使用场景示例
场景1：新手学习优秀提示词结构
用户：我有一个收藏的500条AI绘画提示词，想学习它们的结构
操作：使用 prompt-extractor 分析 favorites.txt
输出：
- 发现85%使用"主体+技术+质量"结构
- 提取10个高复用模板
- 生成学习手册场景2：构建自己的模块库
用户：我想从1万条提示词中提炼出我的专属模块库
操作：分批处理，每次2000条
输出：
- 去重后的5000+独特模块
- 按主题分类的模板库
- 可直接复用的JSON文件场景3：提升提示词质量
用户：我的提示词效果不好，想找到高质量模式
操作：上传失败案例和成功案例两个文件对比
输出：
- 识别成功案例的共同模式
- 指出失败案例的缺陷（如缺乏技术参数）
- 提供改进建议高级功能
1. 增量更新模块库
# 合并新提示词到现有库
python preprocessor.py new_prompts.txt updated_library.json2. 主题过滤
在skill中指定：
只提取"人像摄影"主题的模块3. 自定义评分标准
修改 skill.md 中的评分权重：
"quality_score": {
"clarity": {"weight": 0.3, "score": 8},
"detail_richness": {"weight": 0.3, "score": 9},
"reusability": {"weight": 0.4, "score": 7}
}最佳实践
数据准备
- 先清理明显无效的提示（如乱码、测试文本）
- 如果有评分，保留高分提示优先处理
- 按主题分文件更易管理
批次处理策略
- <100条：一次性处理，精细提取
- 100-500条：推荐规模，单次skill调用
- >500条：分批处理，每批300-500条
质量保障
- 首次处理前，手动标注20-50条作为基准
- 对比AI提取结果，调整meta-prompt
- 迭代3-5次达到满意精度
故障排除
问题1：文件格式识别失败
原因：编码问题或格式不标准 解决：
# 转换编码为UTF-8
iconv -f GBK -t UTF-8 input.txt > output.txt问题2：提取质量差
原因：提示词本身质量低或结构混乱 解决：
- 先聚类，只处理主题清晰的簇
- 提高 min_length 阈值过滤短提示
- 人工review前100条，调整提取规则
问题3：处理速度慢
原因：单次处理量过大 解决：
- 减少批次大小（推荐50-100条/批）
- 先聚类后并行处理各簇
- 使用预处理脚本先过滤
技术支持
如需帮助，在Claude Code中问：
prompt-extractor 如何处理CSV中的多列数据？
prompt-extractor 如何自定义模块分类？更新日志
v1.0 (当前版本)
- 支持 txt/csv/json 三种格式
- 自动聚类和主题识别
- 模块化提取和质量评分
- 生成可复用模板库
路线图
- [ ] 支持多语言提示词（中文、日文）
- [ ] 可视化分析dashboard
- [ ] 与Midjourney/SD参数库对接
- [ ] 在线模块搜索引擎