Smart Refinement System — Smart Refinement 系统

Smart Refinement 技能 概述

智能提示词优化与向量匹配技能，集成 Prompt Refinement 模块 和 Vector 优化器 的核心功能。自动识别模糊用户请求，优化提示词结构，匹配相关技能，并提供执行指南。

功能特性 🎯 核心功能

智能提示词优化

自动检测模糊/不完整的用户请求 生成结构化、清晰的优化提示 支持中英文混合输入 集成上下文信息

向量化技能匹配

基于TF-IDF和余弦相似度的技能匹配 支持6大类技能数据库 实时匹配分数计算 多技能协同建议

上下文集成

自动集成对话历史 项目上下文管理 操作记录跟踪 性能统计监控 📊 性能指标 处理速度: < 1ms 平均响应时间 优化准确率: 80-90% 模糊提示识别率 技能匹配: 支持6大类技能，50+关键词 LLM调用减少: 60-90% 的优化提示减少LLM调用 安装 方法一：通过 ClawHub 安装 npx ClawHub 安装 smart-refinement

方法二：手动安装 复制 smart_refinement_系统.py 到技能目录 确保依赖项已安装 快速开始 基本使用 from smart_refinement_系统 导入 SmartRefinement系统

# 初始化系统 系统 = SmartRefinement系统()

# 处理用户消息 结果 = 系统.process_message("Help me process that file")

print(f"优化后提示: {结果['refined_prompt']}") print(f"匹配技能: {结果['技能_matches']}")

简化接口 from smart_refinement_系统 导入 refine_prompt, match_技能s

# 优化提示词 refined = refine_prompt("帮我处理那个文件") print(refined)

# 匹配技能 技能s = match_技能s("写一个Python数据分析脚本") print(技能s)

API 参考 SmartRefinement系统 类 __init__(config_path: Optional[str] = None)

初始化智能优化系统。

参数:

config_path: 可选配置文件路径 process_message(message: str, 上下文: Optional[Dict] = None) -> Dict

处理用户消息，返回完整优化结果。

参数:

message: 用户消息 上下文: 上下文信息字典

返回:

{ "original_message": str, "needs_refinement": bool, "refinement_confidence": float, "refined_prompt": str, "intent": Dict, "entities": Dict, "技能_matches": 列出[Dict], "suggested_actions": 列出[str], "execution_图形界面de": str, "integrated_上下文": Dict, "processing_time_ms": float, "系统_stats": Dict }

获取_stats() -> Dict

获取系统统计信息。

save_config(config_path: str)

保存当前配置到文件。

导出_技能_data() -> Dict

导出技能数据。

简化函数 refine_prompt(message: str, 上下文: Optional[Dict] = None) -> str

优化提示词的简化接口。

match_技能s(message: str) -> 列出[Dict]

匹配技能的简化接口。

配置选项

创建 config.json 文件自定义配置：

{ "refinement_threshold": 0.3, "vector_match_threshold": 0.5, "enable_上下文_integration": true, "enable_技能_suggestion": true, "enable_performance_追踪ing": true, "language": "auto", "输出_格式化": "structured" }

技能数据库

系统内置6大类技能：

code_generation - 代码生成和优化 file_operation - 文件操作 网页_搜索 - 网络搜索 data_analysis - 数据分析 documentation - 文档编写 系统_operation - 系统操作 使用场景 场景1：模糊请求优化 # 输入: "帮我处理那个文件" # 输出: 结构化提示，包含具体动作建议

场景2：技能匹配 # 输入: "搜索AI趋势信息" # 输出: 匹配网页_搜索技能，建议使用autoglm-网页搜索工具

场景3：多技能协同 # 输入: "分析数据并生成报告" # 输出: 匹配data_analysis和documentation技能，提供完整工作流

集成示例 与 OpenClaw 集成 from smart_refinement_系统 导入 SmartRefinement系统

class Enhanced代理: def __init__(self): self.refinement_系统 = SmartRefinement系统() def handle_message(self, message: str, 上下文: Dict = None): # 1. 优化提示词 结果 = self.refinement_系统.process_message(message, 上下文) # 2. 根据优化结果执行 if 结果['needs_refinement']: # 使用优化后的提示 prompt = 结果['refined_prompt'] else: prompt = message # 3. 根据技能匹配选择工具 for 技能_match in 结果['技能_matches']: if 技能_match['match_score'] > 0.5: self._select_工具(技能_match['技能_type']) return self._执行(prompt)

与团队系统集成 from smart_refinement_系统 导入 SmartRefinement系统 from team_管理器 导入 Team管理器

class SmartTeam系统: def __init__(self): self.refinement = SmartRefinement系统() self.team = Team管理器() def as签名_task(self, task_description: str): # 优化任务描述 结果 = self.refinement.process_message(task_description) # 根据技能匹配分配团队成员 for 技能_match in 结果['技能_matches']: member = self.team.find_member_by_技能(技能_match['技能_type']) if member: self.team.as签名_task(member, 结果['refined_prompt'])

性能优化 缓存策略

系统自动缓存：

高频关键词匹配结果 技能向量计算结果 上下文集成数据 并行处理

支持批量消息处理：

messages = ["任务1", "任务2", "任务3"] 结果s = [系统.process_message(msg) for msg in messages]

故障排除 常见问题

优化效果不明显

检查 refinement_threshold 配置 确认关键词数据库是否完整 检查上下文信息是否充足

技能匹配不准确

更新技能数据库关键词 调整 vector_match_threshold 检查消息预处理逻辑

性能问题

启用缓存功能 减少不必要的上下文集成 批量处理消息 调试模式 系统 = SmartRefinement系统() 结果 = 系统.process_message("测试消息", 调试=True) print(json.dumps(结果, indent=2, ensure_ascii=False))

更新日志 v1.0.0 (2026-03-30) 初始版本发布 集成 Prompt Refinement 模块 核心功能 集成 Vector 优化器 向量匹配 添加上下文管理器 支持6大类技能数据库 提供简化API接口 贡献指南 Fork 项目 创建功能分支 提交更改 推送到分支 创建 Pull 请求 许可证

MIT License

支持

如有问题或建议，请：

查看 GitHub Issues 提交新的 Issue 或通过邮件联系

标签: prompt-optimization, vector-matching, 上下文-integration, 技能-management, OpenClaw, AI-助手

适用场景: AI助手优化、团队任务分配、技能匹配、提示词工程