為什麼需要提示詞優化工作流？

手動撰寫高質量的提示詞需要具備豐富的 LLM 理性知識（如了解 XML 邊界、Few-Shot 對照格式）。如果讓普通開發者每次都手動去寫這些格式，會帶來極大的額外負擔。

意圖提取與提示詞優化工作流 (Prompt Intent-to-Optimization Flow) 透過 Prompt Master 的工具鏈，將這一過程全自動化。

步驟詳解與實戰指令

    ┌──────────────────────┐
    │  1. 自然語言輸入     │  <-- 開發者輸入模糊要求
    └──────────┬───────────┘
               │ 
               ▼
    ┌──────────────────────┐
    │  2. 9 維度意圖提取    │  <-- 執行 pm extract
    └──────────┬───────────┘
               │
               ▼
    ┌──────────────────────┐
    │  3. XML 化與 Few-Shot │  <-- 執行 pm wrap && few-shot
    └──────────┬───────────┘
               │
               ▼
    ┌──────────────────────┐
    │  4. Token 壓縮與校驗 │  <-- 執行 pm optimize && validate
    └──────────────────────┘

步驟 1：輸入模糊要求 (Vague Input)

開發者以最自然的口頭語氣，在終端機中輸入重構意圖。

步驟 2：矩陣化意圖解構 (Intent Extraction)

呼叫 pm extract 指令。系統自動將口語拆解為 Role, Tasks, Constraints 等 9 個標準提示維度。

• 實戰指令：

  pm extract "幫我改寫 BillingService，不要用 new 分配，輸出要簡潔。"

步驟 3：XML 標籤包裹與黃金範本注入 (Structuring)

調用 pm wrap 與 pm few-shot。系統自動為提示詞打上成對的 XML 標籤，並從專案歷史中抓取 1 組類似的異步重構代碼作為 Few-Shot 對照範本注入 <examples> 中。

步驟 4：Token 精實優化與沙盒校驗 (Optimization & UAT)

調用 pm optimize 剔除囉唆贅詞，並在本地測試沙盒中運行校驗，驗證約束是否會被忽略。一切通過後，輸出極簡、高性能的提示詞文檔。

• 實戰指令：

  pm optimize --validate