Prompt Refiner如何优化AI Agent提示词并降低API成本？（附2026年归档说明）

⚠️ 项目归档 (2026年4月)

此项目已不再维护。 由于以下原因，令牌优化的重要性已降低：

This project is no longer maintained. Token optimization is less critical now due to:

在以下场景仍有用： HTML清理、PII信息脱敏、高吞吐量生产环境、工具压缩。

Still useful for: HTML cleaning, PII redaction, high-volume production, tool compression.
See ARCHIVED.md for details and alternatives.

---

🚀 专为AI智能体、RAG应用和聊天机器人设计的轻量级Python库，提供智能上下文管理和自动令牌优化功能。
节省 5-70% 的API成本 - 在函数调用上平均减少57%，在RAG上下文上减少5-15%。

🚀 Lightweight Python library for AI Agents, RAG apps, and chatbots with smart context management and automatic token optimization.
Save 5-70% on API costs - 57% average reduction on function calling, 5-15% on RAG contexts.

---

🎯 适用场景

RAG应用 • AI智能体 • 聊天机器人 • 文档处理 • 成本优化

RAG Applications • AI Agents • Chatbots • Document Processing • Cost Optimization

---

为何使用 Prompt Refiner？

构建具备自动令牌优化和智能上下文管理功能的AI智能体、RAG应用和聊天机器人。以下是一个完整示例（完整代码请参阅 examples/quickstart.py）：

Build AI agents, RAG applications, and chatbots with automatic token optimization and smart context management. Here's a complete example (see examples/quickstart.py for full code):

from prompt_refiner import MessagesPacker, SchemaCompressor, ResponseCompressor, StripHTML, NormalizeWhitespace

# 1. 打包消息（使用默认策略自动优化）
packer = MessagesPacker(
    track_tokens=True,
    system="<p>You are a helpful AI assistant.</p>",
    context=(["<div>Installation Guide...</div>"], StripHTML() | NormalizeWhitespace()),
    query="<span>Search for Python books.</span>"
)
messages = packer.pack()

# 2. 压缩工具模式
tool_schema = pydantic_function_tool(SearchBooksInput, name="search_books")
compressed_schema = SchemaCompressor().process(tool_schema)

# 3. 使用压缩后的模式调用LLM
response = client.chat.completions.create(
    model="gpt-4o-mini", messages=messages, tools=[compressed_schema]
)

# 4. 压缩工具响应
tool_response = search_books(**json.loads(tool_call.function.arguments))
compressed_response = ResponseCompressor().process(tool_response)

💡 运行 python examples/quickstart.py 以查看包含真实OpenAI API验证的完整工作流程。

💡 Run python examples/quickstart.py to see the complete workflow with real OpenAI API verification.

核心优势：

Key benefits:

✨ 核心特性

✨ Key Features

---

安装

Installation

# 基础安装（轻量级，零依赖）
pip install llm-prompt-refiner

# 包含精确令牌计数功能（可选，安装 tiktoken）
pip install llm-prompt-refiner[token]

---

示例

Examples

Check out the examples/ folder for detailed examples:

📖 完整文档： examples/README.md

📖 Full documentation: examples/README.md

---

📊 已验证的有效性

📊 Proven Effectiveness

Prompt Refiner 已在3个全面的基准测试套件中经过严格测试，涵盖函数调用、RAG应用和性能。数据显示如下：

Prompt Refiner has been rigorously tested across 3 comprehensive benchmark suites covering function calling, RAG applications, and performance. Here's what the data shows:

🎯 函数调用基准测试：平均减少57%的令牌

🎯 Function Calling Benchmark: 57% Average Token Reduction

SchemaCompressor was tested on 20 real-world API schemas from Stripe, Salesforce, HubSpot, Slack, OpenAI, Anthropic, and more:

关键亮点：

Key Highlights:

SchemaCompressor在复杂API上实现60%以上的减少率

针对不同规模智能体的月度节省估算（基于GPT-4定价）

✅ 功能验证：

✅ Functional Validation:

我们使用真实的OpenAI函数调用测试了所有20个压缩后的模式，以证明它们能正常工作：

We tested all 20 compressed schemas with real OpenAI function calling to prove they work correctly:

💰 成本节省示例： 一个中等规模的智能体（10个工具，每天500次调用）使用SchemaCompressor每月可节省 $541。

💰 Cost Savings Example: A medium agent (10 tools, 500 calls/day) saves $541/month with SchemaCompressor.

📖 查看完整基准测试报告： benchmark/README.md#function-calling-benchmark

常见问题（FAQ）

Prompt Refiner 现在还能用吗？项目是不是已经废弃了？

项目已于2026年4月归档，不再维护。但由于令牌成本下降和上下文窗口扩大，其优化重要性已降低。不过，在HTML清理、PII脱敏等特定场景下仍有使用价值。

使用 Prompt Refiner 具体能节省多少API成本？

根据基准测试，平均可节省5-70%的API成本。在函数调用上平均减少57%的令牌，在RAG上下文上可减少5-15%的令牌，从而实现显著的成本优化。

这个库主要适用于哪些AI应用场景？

专为AI智能体、RAG应用和聊天机器人设计，适用于文档处理、成本优化等场景。通过智能上下文管理和自动令牌压缩来优化提示词。