llm-application-dev-prompt-optimize
تحسين提示词 باستخدام تقنيات الهندسة المتقدمة
تحويل التعليمات الأساسية إلى提示词 جاهزة للإنتاج تحسن الدقة بنسبة 40% وتقلل التكاليف بنسبة 50-80%. يوفر هذا الدليل إرشادات خبيرة حول التفكير المتسلسل (chain-of-thought)، وأنماط الذكاء الاصطناعي الدستوري (constitutional AI)، والتحسين الخاص بالنماذج لـ Claude وGPT وGemini.
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「llm-application-dev-prompt-optimize」を使用しています。 Optimize this prompt: 'Answer customer questions about refunds'
期待される結果:
提示词 محسنة مع تعريف الدور، وإطار التشخيص، وهيكل تقديم الحل، وخطوات التحقق، والقيود، وتنسيق输出 JSON. يتضمن قسم تفكير متسلسل وقائمة مراجعة ذاتية لضمان الجودة.
「llm-application-dev-prompt-optimize」を使用しています。 Make this prompt better for data analysis: 'Analyze the sales data'
期待される結果:
إطار تحليل شامل مع خمس مراحل: التحقق من البيانات، وتحليل الاتجاهات مع اختبار الأهمية الإحصائية، وتحليل الشرائح عبر أبعاد متعددة، وقالب الرؤى مع تسجيل الثقة، والتوصيات ذات الأولوية بتنسيق YAML.
セキュリティ監査
安全Static analysis detected 62 potential security issues in code examples within documentation files. All findings are false positives - the detected patterns (Ruby backticks, MD5 references, reconnaissance commands) appear exclusively within markdown code blocks that demonstrate prompt engineering techniques. The skill contains no executable code, performs no file operations, network requests, or command execution. It is a documentation-only skill providing guidance on prompt optimization best practices.
品質スコア
作れるもの
تحسين提示词 دعم العملاء
تحويل提示词 دعم العملاء الأساسي إلى نظام استجابة منظم ومتعاطف مع أطر التشخيص، ومسارات التصعيد، والقيود الجودة لتفاعلات دعم متسقة واحترافية.
تحسين提示词 تحليل البيانات
ترقية طلب تحليل البيانات البسيط إلى إطار تحليل شامل مع التحقق المرحلي، واختبار الأهمية الإحصائية، وتحليل الشرائح، والتقارير التنفيذية بتنسيق YAML.
تحسينات سلامة إنشاء الكود
تحسين提示词 إنشاء الكود مع التصميم المرتكز على الأمان، ومتطلبات التحقق من المدخلات، ومبادئ SOLID، وقوائم مراجعة المراجعة الذاتية لمنع ثغرات الحقن وضمان الكود جاهز للإنتاج.
これらのプロンプトを試す
Analyze this step by step:
1. Identify the core problem
2. Break down into smaller components
3. Reason through each component carefully
4. Synthesize findings
5. Provide final answer with confidence level
Input: {your_input}Example 1:
Input: {simple_case}
Output: {correct_output}
Example 2:
Input: {edge_case}
Output: {correct_output}
Example 3:
Input: {error_case}
Wrong: {incorrect_output}
Correct: {correct_output}
Now apply to: {actual_input}{task_instructions}
Review your response against these principles:
1. ACCURACY: Verify all claims, flag uncertainties
2. SAFETY: Check for harm, bias, ethical issues
3. QUALITY: Ensure clarity, consistency, completeness
Initial Response: [Generate]
Self-Review: [Evaluate against principles]
Final Response: [Refined based on review]<context>
{background_information}
</context>
<task>
{clear_objective_with_constraints}
</task>
<thinking>
1. Understanding requirements...
2. Identifying components...
3. Planning approach...
</thinking>
<output_format>
{xml_structured_response_specification}
</output_format>ベストプラクティス
- حدد دائماً دوراً واضحاً والسياق والمهمة وتنسيق الإخراج في提示词 الخاصة بك
- استخدم التفكير المتسلسل للمشاكل المعقدة متعددة الخطوات لتحسين الدقة
- قم بتضمين 3-5 أمثلة متنوعة تغطي الحالات النموذجية والحالات الحدية وحالات الخطأ للتعلم قليل العينات
- Implement حلقات النقد الذاتي مع المبادئ الدستورية للتطبيقات الحرجة للسلامة
回避
- تجنب التعليمات الغامضة مثل 'تحليل هذا' بدون تحديد الإطار أو تنسيق الإخراج أو معايير النجاح
- لا تستخدم أمثلة مفردة بدون تغطية الحالات الحدية - هذا يؤدي إلى سلوك提示词 هش
- لا تقم أبداً بنشر提示词 بدون اختبارها对抗 المدخلات والاستعلامات خارج النطاق والحالات الحدية
- تجنب提示词 المحايدة للنموذج - قم بتحسين البنية لنماذج LLM محددة (تprefer Claude علامات XML، تprefer GPT رؤوس ##)