Prompt Preflight – 在AI代理提示浪费令牌之前捕捉模糊请求

Prompt Preflight 是一个开源的本地工具，旨在解决 AI 代理使用中的一个常见问题：模糊的提示导致昂贵的重试循环。当用户给出不具体的请求时，模型可能会产生错误的输出，用户纠正后模型需要重新读取整个对话上下文，从而浪费大量令牌。Prompt Preflight 通过在模型运行前进行轻量级检查来避免这种情况。

它的工作方式是：当用户提交提示时，Prompt Preflight 会在本地使用确定性 Python 规则分析三个要素：意图（用户想要做什么）、模糊性（哪些关键细节缺失）以及影响（错误解释的成本）。只有当提示具体可行且模糊性和影响超过配置阈值时，它才会介入。介入时，它会提供用户原始提示的反馈、一个领域感知的强提示示例，以及最多三个有针对性的问题来填补最关键的空白。明确或对话式的后续提示则直接通过，无需干预。

该工具支持多种领域，包括软件构建与更改、错误修复、优化、部署与迁移，以及图像生成。对于未识别的领域，它会保守地使用通用反馈，而不是错误地应用软件特定的问题。用户可以通过配置文件（.prompt-preflight.json）调整阈值、模式（阻止或提示）以及最大问题数量，还可以使用 [preflight:skip] 绕过单次检查。

Prompt Preflight 的隐私和安全性是其亮点：所有分析都在本地进行，不发送数据到服务器，不存储历史记录，不需要 API 密钥，也不调用任何外部模型。这使得它非常适合处理敏感代码库。

项目附带了一个包含100个故意模糊提示的基准测试，用于评估检测能力。在当前默认阈值下，它能阻止98个软件相关模糊提示和全部10个图像生成提示。两个漏报案例（"Fix the flaky tests" 和 "Generate more tests"）被用作校准机会，帮助维护者优化规则。

安装到 Codex 的步骤包括运行自动安装脚本，该脚本将插件复制到用户目录并更新个人市场。用户也可以单独使用 CLI 进行测试。项目还提供了 GitHub Actions 工作流，可在推送和拉取请求时自动运行基准测试。

未来路线图包括添加令牌节省的遥测、更多领域配置文件、用户定义规则以及支持 Claude Code 等其他代理。Prompt Preflight 目前处于早期阶段，但已展示了减少 AI 代理成本和提高输出质量的巨大潜力。