Advanced Prompting Engine

Eine universelle Engine zur Prompt-Erstellung, bereitgestellt als MCP-Server. Sie misst die Absicht anhand von 12 philosophischen Dimensionen und liefert eine Konstruktionsgrundlage, aus der der Client Prompts erstellt.

Die Engine generiert keine Prompts. Sie liefert das dimensionale Fundament – aktive Konstrukte, Spektrum-Gegensätze, Spannungen, Gems, Spokes, Harmonisierungspaare und Konstruktionsfragen –, die die Prompt-Erstellung prinzipienbasiert statt heuristisch machen.

Schnellstart

# Install
pip install advanced-prompting-engine

# Or run directly via uvx
uvx advanced-prompting-engine

MCP-Konfiguration

Fügen Sie dies zu Ihrer .mcp.json hinzu:

{
  "mcpServers": {
    "advanced-prompting-engine": {
      "command": "uvx",
      "args": ["advanced-prompting-engine"]
    }
  }
}

Related MCP server: MCP Prompt Optimizer

Funktionsweise

Die Engine positioniert Ihre Absicht in einer 12-dimensionalen philosophischen Mannigfaltigkeit:

Jede Fläche ist ein 12x12-Gitter aus 144 epistemischen Beobachtungspunkten. Die Position bestimmt die Klassifizierung (Ecke/Mittelpunkt/Kante/Zentrum), die Potenz und die Spektrum-Zugehörigkeit. Die 12 Flächen sind als 6 komplementäre Paare (Würfelmodell) organisiert, mit Harmonisierung durch geteilte Oberflächen. Die Engine berechnet Spannungen über Positionskorrespondenz, Gems (Integrationen zwischen den Flächen) mit Würfelebenen-Modulation, Spokes (Verhaltenssignaturen pro Fläche) und einen zentralen Gem-Kohärenzwert.

Tools

Beispiel: Absicht in natürlicher Sprache

create_prompt_basis(intent="Design an ethical framework for autonomous vehicle decision-making")

Die Engine lokalisiert diese Absicht über alle 12 philosophischen Dimensionen hinweg und liefert:

{
  "coordinate": {
    "epistemology":  {"x": 4, "y": 4, "weight": 0.76},
    "ontology":      {"x": 6, "y": 5, "weight": 0.73},
    "praxeology":    {"x": 7, "y": 4, "weight": 0.72},
    "heuristics":    {"x": 5, "y": 3, "weight": 0.66},
    "phenomenology": {"x": 7, "y": 4, "weight": 0.61},
    "ethics":        {"x": 6, "y": 4, "weight": 0.53},
    "...": "...all 12 faces with (x,y) position and relevance weight"
  },
  "harmonization": [
    {"pair": ["ontology", "praxeology"], "resonance": 0.15},
    {"pair": ["axiology", "ethics"],     "resonance": 0.05},
    "...6 complementary pairs with resonance scores"
  ],
  "spokes": {
    "ontology":      {"classification": "weakly_integrated", "strength": 0.042},
    "epistemology":  {"classification": "weakly_integrated", "strength": 0.039},
    "...": "...per-face behavioral signatures"
  },
  "central_gem": {"coherence": 0.69, "classification": "highly_coherent"},
  "construction_questions": {
    "ethics": {
      "template": "What moral obligations does this prompt impose or assume?",
      "position_summary": "balanced Deontological/Consequential + moderately Agent-focused",
      "meaning_mechanism": "composition",
      "phase": "evaluation"
    },
    "...": "...12 position-specific philosophical questions to guide prompt construction"
  }
}

Die Ausgabe sagt Ihnen: Diese Absicht dreht sich primär um Wissensvalidierung (Epistemologie 0,76), welche Entitäten existieren (Ontologie 0,73) und Handlungsstruktur (Praxeologie 0,72). Ethik registriert sich bei 0,53 — vorhanden, aber nicht dominant. Die Harmonisierung zeigt, dass Ontologie und Praxeologie stark resonieren (0,15) — das theoretische „Was existiert“ stimmt mit dem praktischen „Wie man handelt“ überein.

Beispiel: Vorgefertigte Koordinate

Für präzise Kontrolle übergeben Sie eine Koordinate direkt:

coordinate = {
    "ontology": {"x": 0, "y": 0, "weight": 1.0},      # corner: particular + static
    "ethics": {"x": 0, "y": 11, "weight": 0.9},         # corner: deontological + act
    "methodology": {"x": 0, "y": 0, "weight": 0.8},     # corner: analytic + deductive
    # ...all 12 faces with x (0-11), y (0-11), weight (0-1)
}
result = create_prompt_basis(coordinate=coordinate)

Architektur

• Stack: Python + NetworkX (Topologie) + numpy (Berechnung) + SQLite (Persistenz) + MCP SDK

• Graph: 1873 Knoten, 2279 Kanten (12 Flächen × 144 Konstrukte + 132 Nexi + 1 zentrales Gem)

• Pipeline: 8 Stufen (Absichtsparser → Koordinatenauflöser → Positionsberechner → Konstruktauflöser → Spannungsanalysator → Nexus/Gem-Analysator → Spoke-Analysator → Konstruktionsbrücke)

• Geometrie: Vektorgleichgewicht (Kuboktaeder) als latente Topologie zwischen den Flächen, Würfelmodell für 6 komplementäre Paare

• Bereitstellung: Einzelprozess, stdio-Transport, kein Daemon, keine externen Abhängigkeiten

Dokumentation

• docs/DESIGN.md — Vollständige Designspezifikation

• docs/CONSTRUCT-v2.md — Die Konstrukt-Spezifikation (was Flächen, Punkte, Spektren, Nexi, Gems, Spokes SIND)

• docs/CONSTRUCT-v2-questions.md — 144 Vorlagen für Konstruktionsfragen nach Zone

• docs/adr/ — 13 Architektur-Entscheidungsdatensätze

Entwicklung

pip install -e ".[dev]"
pytest tests/ -v

Neuerstellung der semantischen Brücke (optional)

Das ausgelieferte Paket enthält vorberechnete BGE-abgeleitete Artefakte (semantic_bridge.npz, semantic_vocab.json). Um diese von Grund auf neu zu erstellen (z. B. nach Änderungen an Pol-Synonymen), installieren Sie die Build-Extras:

pip install -e ".[build]"
python -m nltk.downloader wordnet omw-1.4
python scripts/build_semantic_bridge.py

Der Build verwendet BAAI/bge-large-en-v1.5 (~1,3 GB, einmalig in den HuggingFace-Cache heruntergeladen) und wordfreq für die Frequenzsortierung. Laufzeitabhängigkeiten sind davon nicht betroffen — Endbenutzer erhalten nur die vorberechneten Artefakte.

Mitwirken

Siehe CONTRIBUTING.md für die Entwicklungseinrichtung und Richtlinien.

Sicherheit

Siehe SECURITY.md für Anweisungen zur Meldung von Schwachstellen.

Lizenz

MIT