MCP Prompt Optimizer

Otimize prompts com estratégias baseadas em pesquisas para melhorias de desempenho de 15% a 74%.

Documentação

MCP Prompt Optimizer

Um servidor MCP (Model Context Protocol) de nível profissional que fornece ferramentas de otimização de prompts de ponta com estratégias baseadas em pesquisa, entregando melhorias de desempenho de 15 a 74%.

✨ Recursos

🎯 Estratégias Básicas de Otimização

Clareza: Simplifica prompts para objetividade e precisão
Especificidade: Adiciona restrições e requisitos detalhados
Cadeia de Pensamento: Incorpora raciocínio passo a passo
Poucos Exemplos: Inclui formatos de exemplo para orientação
Saída Estruturada: Define organização clara da saída
Baseado em Papel: Adiciona contexto de papel de especialista

🚀 Estratégias Avançadas de Otimização

Árvore de Pensamentos (ToT): Raciocínio multi-caminho com taxa de sucesso de 74% em tarefas complexas
IA Constitucional: Autocrítica e alinhamento com princípios de segurança
Engenheiro Automático de Prompts (APE): Padrões de instrução ótimos descobertos por IA
Meta-Prompting: IA gera seus próprios prompts otimizados
Auto-Refinamento: Melhoria iterativa com ganhos de desempenho de 20%
TEXTGRAD: Feedback em linguagem natural como gradientes de otimização
Medprompt: Conjunto de múltiplas técnicas alcançando precisão de 90%+
PromptWizard: Prompts auto-evolutivos orientados por feedback

📋 Modelos de Domínio Profissional

Modelos prontos para produção em 11 domínios:

Análise de Negócios: Estruturas de análise competitiva
Gestão de Produtos: Síntese de pesquisa de usuários
Criação de Conteúdo: Postagens de blog técnico com otimização de SEO
Desenvolvimento: Listas abrangentes de revisão de código
Comunicação: Atualizações de partes interessadas e relatórios de projeto
Estratégia: Estruturas de planejamento de OKR
Operações: Procedimentos Operacionais Padrão (POPs)
Jurídico: Rescisão de contratos e conformidade
Experiência do Cliente: Pesquisas de feedback e insights
Análise de Dados: Insights de dados e relatórios
Gestão de Reuniões: Pautas de reunião eficazes

🛠️ Instalação

Configuração Rápida

# Clone the repository
git clone <repository-url>
cd mcp-prompt-optimizer

# Create virtual environment (recommended)
python3 -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install dependencies
./install.sh

# Or install manually
pip install -r requirements.txt

# Configure Claude Desktop
python3 setup_interactive.py

Configuração Manual

Adicione ao seu arquivo de configuração do Claude Desktop:

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

Windows: %APPDATA%\Claude\claude_desktop_config.json

Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "prompt-optimizer": {
      "command": "python3",
      "args": ["/path/to/mcp-prompt-optimizer/prompt_optimizer.py"],
      "env": {}
    }
  }
}

🎮 Uso

Comandos Básicos

# Analyze prompt quality
"Analyze this prompt: write a blog post about AI"

# Apply specific optimization
"Optimize this prompt using chain_of_thought: explain machine learning"

# Auto-select best strategy
"Auto-optimize: help me debug this code"

# Get domain template
"Get domain template for code_review_checklist"

Comandos Avançados

# Use Tree of Thoughts for complex problems
"Apply advanced optimization with tree_of_thoughts: design a microservices architecture"

# Use Constitutional AI for safety-critical tasks
"Apply advanced optimization with constitutional_ai: create content moderation guidelines"

# Use Medprompt for high-accuracy classification
"Apply advanced optimization with medprompt: categorize customer support tickets"

# List available templates
"List all domain templates"

🏗️ Arquitetura

mcp-prompt-optimizer/
├── prompt_optimizer.py      # Main MCP server
├── advanced_strategies.py   # Research-backed optimization strategies
├── domain_templates.py      # Professional domain templates
├── examples.py              # Usage examples and demonstrations
├── setup_interactive.py     # Automated setup script
└── README.md               # This file

🧪 Testes

# Run basic tests
./test.sh

# Run usage examples
python3 examples.py

📊 Benchmarks de Desempenho

Estratégia	Caso de Uso	Melhoria de Desempenho
Árvore de Pensamentos	Raciocínio complexo	Taxa de sucesso de 70-74%
Medprompt	Tarefas de classificação	Precisão de 90%+
Auto-Refinamento	Melhoria iterativa	20% por iteração
IA Constitucional	Alinhamento de segurança	Alta conformidade
Cadeia de Pensamento	Tarefas passo a passo	Melhoria de 15-25%

🔧 Ferramentas Disponíveis

Ferramentas Principais

analyze_prompt: Analisa a qualidade do prompt e identifica problemas
optimize_prompt: Aplica estratégias de otimização específicas
auto_optimize: Seleciona automaticamente a estratégia ideal
get_prompt_template: Retorna modelos básicos

Ferramentas Avançadas

advanced_optimize: Aplica estratégias baseadas em pesquisa
get_domain_template: Retorna modelos de domínio profissional
list_domain_templates: Lista modelos disponíveis por domínio

🎯 Guia de Seleção de Estratégia

Tipo de Prompt	Estratégia Recomendada
Problemas complexos	`tree_of_thoughts`
Tarefas de classificação	`medprompt`
Crítico para segurança	`constitutional_ai`
Requisitos vagos	`meta_prompting`
Precisa de refinamento	`self_refine`
Otimização geral	`auto`

🤝 Contribuições

Aceitamos contribuições! Por favor:

Faça um fork do repositório
Crie um branch de funcionalidade
Adicione testes para novas funcionalidades
Atualize a documentação
Envie um pull request

Adicionando Novos Recursos

Nova Estratégia: Adicione em advanced_strategies.py
Novo Modelo: Adicione em domain_templates.py
Exemplos: Adicione em examples.py

🐛 Solução de Problemas

Problemas Comuns

MCP não está funcionando?

Verifique a versão do Python: python3 --version (requer 3.8+)
Instale as dependências: Execute ./install.sh ou pip install -r requirements.txt
Verifique a instalação do MCP: pip show mcp
Verifique os logs do Claude Desktop
Reinicie o Claude Desktop

Comandos não reconhecidos?

Verifique a localização do arquivo de configuração
Verifique os caminhos dos arquivos na configuração
Execute o script de configuração novamente

Modo de Depuração

# Test server directly
python3 prompt_optimizer.py

# Verbose logging
export MCP_LOG_LEVEL=debug
python3 prompt_optimizer.py

📄 Licença

Este projeto é licenciado sob a Licença MIT - consulte o arquivo LICENSE para detalhes.

🙏 Agradecimentos

Pesquisa de Princeton, Google DeepMind, Microsoft Research
Estrutura de IA Constitucional da Anthropic
Estrutura DSPy de Stanford
Diretrizes de engenharia de prompts da OpenAI

📈 Citação

Se você usar esta ferramenta em sua pesquisa ou projetos, por favor cite:

@software{mcp_prompt_optimizer,
  title={MCP Prompt Optimizer: Research-Backed Prompt Optimization for AI Systems},
  author={Bubobot},
  year={2024},
  url={https://github.com/Bubobot-Team/mcp-prompt-optimizer}
}

Feito com ❤️ para a comunidade de IA

Para perguntas, problemas ou contribuições, visite nosso repositório no GitHub.