Adaptive Prompt System¶

Flow: toolboxv2/flows/adaptive_prompt_system.py Zweck: System-optimierte Prompt-Generierung durch LLM-Discovery, Profiling und Prompt-Engineering-Techniken (CoT, ToT, Adversarial Validation).

Übersicht¶

Das Modul implementiert eine 2-Phase Adaptive-Prompt-Pipeline:

Discovery: Sendet Benchmark-Prompts an ein Ziel-LLM, analysiert die Antworten und erstellt ein SystemProfile.
Generation: Nutzt das Profil um Meta-Prompts zu bauen, die auf die Stärken, Format-Präferenzen und das Context-Window des Zielsystems zugeschnitten sind.

Eine PromptLibrary persistiert Templates und Profile auf Disk.

Architektur¶

Drei Schichten:

Schicht	Klassen	Zweck
Data Models	`LLMSystem` (Enum), `SystemProfile`, `PromptTemplate`	Datencontainer
Core Logic	`PromptLibrary`, `AdaptivePromptGenerator`	Discovery + Generation
UI	`ui()` → `_build_ui()`, `_render_*` Helpers	Web-UI Komponenten

Klassen¶

`LLMSystem(Enum)`¶

Bekannte LLM-Systeme mit Charakteristiken.

Value	String
`CLAUDE`	`"claude"`
`CHATGPT`	`"chatgpt"`
`GPT4`	`"gpt4"`
`GEMINI`	`"gemini"`
`LLAMA`	`"llama"`
`MISTRAL`	`"mistral"`
`UNKNOWN`	`"unknown"`

`SystemProfile`¶

Profil eines LLM-Systems basierend auf Discovery.

Feld	Typ	Default	Beschreibung
`system_type`	`LLMSystem`	`UNKNOWN`	Erkanntes LLM-System
`model_name`	`str`	`""`	Model-Name
`capabilities`	`list[str]`	`[]`	Erkannte Fähigkeiten
`limitations`	`list[str]`	`[]`	Erkannte Limitierungen
`preferred_format`	`str`	`"markdown"`	Bevorzugtes Output-Format
`supports_system_prompt`	`bool`	`True`	System-Prompts unterstützt?
`supports_tools`	`bool`	`False`	Tool-Use unterstützt?
`supports_vision`	`bool`	`False`	Vision/Input unterstützt?
`supports_code_execution`	`bool`	`False`	Code-Execution unterstützt?
`context_window`	`int`	`8000`	Approx. Context-Window (Tokens)
`strengths`	`list[str]`	`[]`	Identifizierte Stärken
`raw_discovery_response`	`str`	`""`	Roher Discovery-Output
`discovered_at`	`str`	`datetime.now().isoformat()`	Zeitstempel

`PromptTemplate`¶

Template für system-spezifische Prompts.

Feld	Typ	Default	Beschreibung
`name`	`str`	—	Template-Name
`description`	`str`	—	Beschreibung
`persona`	`str`	—	Persona-Definition
`context_template`	`str`	—	Context-Template-String
`format_instructions`	`str`	—	Output-Format-Anweisungen
`chain_of_thought`	`bool`	`False`	CoT-Technik aktiviert
`tree_of_thoughts`	`bool`	`False`	ToT-Technik aktiviert
`adversarial_validation`	`bool`	`False`	Adversarial Validation aktiviert
`few_shot_examples`	`list[dict]`	`[]`	Few-Shot Beispiel-Paare
`system_type`	`LLMSystem`	`UNKNOWN`	Ziel-System
`tags`	`list[str]`	`[]`	Suchbare Tags

`PromptLibrary`¶

Bibliothek für system-spezifische Prompt-Templates. Speichert Templates und Profile in templates.json und profiles.json.

Methode	Signatur	Beschreibung
`__init__`	`(storage_path="./prompt_library")`	Initialisiert, lädt von Disk
`save_library`	`() → None`	Speichert Templates + Profile
`add_template`	`(template) → None`	Template hinzufügen
`get_template`	`(name, system_type=UNKNOWN) → PromptTemplate \\| None`	Template holen (mit Fallback)
`add_profile`	`(name, profile) → None`	Profil speichern
`get_profile`	`(name) → SystemProfile \\| None`	Profil holen

`AdaptivePromptGenerator`¶

Hauptklasse für die 2-Way Prompt-Generierung.

Methode	Signatur	Beschreibung
`__init__`	`(library: PromptLibrary)`	Initialisiert mit Library
`discover_system`	`(isaa, target_interface, profile_name="default") → SystemProfile`	Phase 1: Benchmark-Prompts senden, Antworten analysieren, Profil erstellen
`generate_adaptive_prompt`	`(isaa, user_request, profile, use_cot, use_tot, use_adversarial, custom_persona, few_shot_examples) → dict[str,str]`	Phase 2: Meta-Prompt bauen, gibt `{"system_prompt", "user_prompt"}` zurück

Funktionen¶

`run()` — Main Entry Point¶

async def run(
    app, args_sto,
    mode: str = "interactive",      # "interactive" | "quick" | "discover"
    user_request: str = "",
    profile_name: str = "default",
    use_cot: bool = True,
    use_tot: bool = False,
    use_adversarial: bool = False,
    custom_persona: str | None = None,
    storage_path: str = "./prompt_library",
    target_system: str = "claude",
    **kwargs,
) -> dict[str, Any]

interactive: CLI-Menü mit Mode-Selection
quick: Direkte Generierung mit vordefiniertem Profil
discover: System-Discovery aus einer gegebenen Response

Hilfsfunktionen¶

Funktion	Beschreibung
`_create_quick_profile(system)`	Vordefiniertes Profil für bekannte Systeme
`_build_technique_instructions(cot, tot, adversarial)`	Technik-Anweisungs-Strings generieren
`get_discovery_prompt(prompt_type="identity")`	Discovery-Prompt aus `DISCOVERY_PROMPTS` dict
`create_few_shot_example(input, output)`	Few-Shot Beispiel erstellen
`_get_instances(storage_path)`	Singleton `PromptLibrary` + `AdaptivePromptGenerator`

UI¶

ui(view) ist der Entry-Point für die Web-UI. Baut Tabs für Quick Mode, Discovery Mode, Full Flow und Profiles.

Used By¶

flows/chain.py — run, cmd_run
flows/bg.py — run
flows/core0.py — run
flows/docker.py — run, run_image_build

Adaptive Prompt System¶

Übersicht¶

Architektur¶

Klassen¶

LLMSystem(Enum)¶

SystemProfile¶

PromptTemplate¶

PromptLibrary¶

AdaptivePromptGenerator¶