المهارات prompt-engineering-patterns

📝

prompt-engineering-patterns

Name: prompt-engineering-patterns
Author: sickn33

آمن

تطبيق أنماط هندسة الأوامر

متاح أيضًا من: wshobson

حسّن مخرجات نماذج اللغة الكبيرة باستخدام تقنيات هندسة أوامر مثبتة. توفر هذه المهارة أنماطًا لاستنتاج سلسلة الأفكار، والتعلم بالأمثلة القليلة، وأنظمة القوالب التي تجعل تفاعلات الذكاء الاصطناعي أكثر موثوقية وقابلية للتحكم.

يدعم: Claude Codex Code(CC)

📊 86 كافٍ

تنزيل ZIP المهارة

رفع في Claude

اذهب إلى Settings → Capabilities → Skills → Upload skill

فعّل وابدأ الاستخدام

اختبرها

استخدام "prompt-engineering-patterns". تصميم أمر يساعد المستخدمين على كتابة رسائل بريد إلكتروني احترافية

النتيجة المتوقعة:

قالب كتابة بريد إلكتروني منظم مع تعريف الدور، وإرشادات النبرة، وأقسام التنسيق الذي ينتج مخرجات بريد إلكتروني احترافية ومتسقة.

استخدام "prompt-engineering-patterns". كيف يمكنني تحسين جودة مراجعة الكود باستخدام الذكاء الاصطناعي؟

النتيجة المتوقعة:

أمر بالأمثلة القليلة يوفر أمثلة لمراجعة الكود مع أنماط الأخطاء الشائعة، واعتبارات الأمان، وأفضل الممارسات التي توجه الذكاء الاصطناعي لتقديم ملاحظات شاملة وبناءة.

التدقيق الأمني

آمن

v1 • 2/24/2026

All 216 static findings are false positives. The flagged files are markdown documentation (.md) and example JSON files containing educational content about prompt engineering techniques. The scanner incorrectly interprets backticks in markdown code blocks as shell commands, text references to cryptographic terms as weak crypto implementations, and tutorial references to system commands as reconnaissance. This is a documentation skill with no executable security issues.

الملفات التي تم فحصها

2,696

الأسطر التي تم تحليلها

النتائج

إجمالي عمليات التدقيق

مشكلات منخفضة المخاطر (4)

assets/prompt-template-library.md:6-237 references/chain-of-thought.md:12-349 references/few-shot-learning.md:12-339 references/prompt-optimization.md:6-402 references/prompt-templates.md:6-435 references/system-prompts.md:9-170 SKILL.md:22-161

False Positive: Ruby/Shell Backtick Detection in Documentation

Static scanner flagged 170 instances of 'Ruby/shell backtick execution' in markdown files. These are false positives - the backticks are markdown code block delimiters showing Python/code examples in documentation, not actual shell commands. Files affected: SKILL.md, references/*.md, assets/*.md

assets/few-shot-examples.json:12-90 assets/prompt-template-library.md:90 references/few-shot-learning.md:78 references/prompt-optimization.md:341 references/prompt-templates.md:140-452 references/system-prompts.md:1-155 SKILL.md:3-194

False Positive: Weak Cryptographic Algorithm References

Static scanner flagged 39 instances of 'Weak cryptographic algorithm' in documentation files. These are false positives - the files contain educational content explaining prompt engineering patterns, with text examples mentioning cryptographic concepts in context of AI safety, not actual crypto implementations.

assets/few-shot-examples.json:103 references/chain-of-thought.md:170-391 references/few-shot-learning.md:84-212 references/prompt-optimization.md:176-349 references/prompt-templates.md:397 references/system-prompts.md:93-165 SKILL.md:206

False Positive: System/Network Reconnaissance in Tutorials

Static scanner flagged 'System reconnaissance' and 'Network reconnaissance' patterns in markdown documentation. These are false positives - the files contain educational tutorials that reference system commands and networking concepts as part of prompt engineering examples, not actual reconnaissance tools.

references/prompt-optimization.md:128 scripts/optimize-prompt.py:229

False Positive: Filesystem Path Traversal in Documentation

Static scanner flagged 'Path traversal sequence' in references/prompt-optimization.md and scripts/optimize-prompt.py. The markdown file contains text explaining path handling concepts in prompts. The Python script is a utility for prompt optimization with legitimate file operations.

تم تدقيقه بواسطة: claude

درجة الجودة

الهندسة المعمارية

100

قابلية الصيانة

المحتوى

المجتمع

الأمان

100

الامتثال للمواصفات

ماذا يمكنك بناءه

بناء منتجات ذكاء اصطناعي موثوقة

تصميم أنظمة أوامر جاهزة للإنتاج مع تنسيقات مخرجات متسقة وأنماط معالجة أخطاء لتطبيقات الذكاء الاصطناعي.

تحسين توليد الكود

تطبيق تقنيات الاستخراج المنظم للحصول على نتائج أفضل لإكمال وتوليد الكود من Claude أو Codex.

إنشاء مواد تدريب الذكاء الاصطناعي

تطوير مكتبات أوامر شاملة وقوالب لاعتماد الذكاء الاصطناعي على مستوى الفريق وأفضل الممارسات.

جرّب هذه الموجهات

استنتاج سلسلة الأفكار

Solve this problem step by step:

Problem: {problem}

Think through each step carefully:
1. [First step]
2. [Second step]
3. [Third step]

Final answer:

تصنيف بالأمثلة القليلة

Classify the following input into one of these categories: {categories}

Examples:
{examples}

Now classify this:
Input: {input}

Category:

قالب أمر النظام

You are {role}. Your task is {task}.

Guidelines:
- {guideline1}
- {guideline2}
- {guideline3}

Output format:
{output_format}

التحسين التكراري

Initial request: {request}

Current draft: {draft}

Feedback to address:
{feedback}

Please revise the draft based on this feedback:

أفضل الممارسات

ابدأ بتعريفات أدوار واضحة في أوامر النظام لتحديد حدود سلوك الذكاء الاصطناعي
استخدم أمثلة محددة ومتنوعة في أوامر الأمثلة القليلة التي تغطي الحالات الحدية
اختبر الأوامر عبر اختلافات استعلام متعددة لضمان مخرجات متسقة

تجنب

استخدام إرشادات غامضة مثل 'كن مفيدًا' بدون إرشادات سلوكية محددة
تحميل الأوامر بالكثير من الأمثلة التي تتجاوز حدود نافذة السياق
افتراض أن الأوامر تعمل بشكل متماثل عبر نماذج LLM مختلفة بدون اختبار

الأسئلة المتكررة

ما هو استخراج سلسلة الأفكار؟

استخراج سلسلة الأفكار يشجع نماذج اللغة الكبيرة على إظهار استنتاجها خطوة بخطوة، مما يحسن الدقة في مهام الرياضيات والمنطق والاستنتاج المعقدة.

كم عدد الأمثلة التي يجب أن أدرجها في التعلم بالأمثلة القليلة؟

معظم المهام تعمل بشكل جيد مع 2-5 أمثلة.وازن بين تنوع الأمثلة وحدود نافذة السياق. الكثير من الأمثلة يمكن أن يقلل من جودة الاستجابة.

هل يمكنني استخدام هذه الأنماط مع Claude Code؟

نعم، تعمل هذه الأنماط مع Claude و Claude Code و Codex ومعظم نماذج LLM الحديثة. يمكن لـ Claude Code تنفيذ قوالب الأوامر مباشرة.

كيف أقوم بتصحيح الأوامر التي تنتج مخرجات غير متسقة؟

أضف قيود تنسيق المخرجات الصريحة، وضمّن أمثلة أكثر تنوعًا، واستخدم الاستنتاج خطوة بخطوة لجعل عملية الذكاء الاصطناعي أكثر شفافية.

ما الفرق بين أوامر النظام وأوامر المستخدم؟

تحدد أوامر النظام دور وسلوك مساعد الذكاء الاصطناعي في بداية المحادثة. تحتوي أوامر المستخدم على المهمة أو السؤال المحدد لكل تفاعل.

كيف أتعامل مع مخاطر حقن الأوامر؟

استخدم حدود تعليمات واضحة، وصادق على مدخلات المستخدم، وتجنب دمج المحتوى غير الموثوق مباشرة في الأوامر. قم بتنظيم الأوامر بأقسام مميزة للتعليمات وبيانات المستخدم.