Compétences prompt-engineering-patterns

📝

prompt-engineering-patterns

Name: prompt-engineering-patterns
Author: sickn33

Sûr

Appliquer les motifs d'ingénierie de prompts

Également disponible depuis: wshobson

Améliorez les sorties des LLM avec des techniques d'ingénierie de prompts éprouvées. Cette compétence fournit des motifs pour le raisonnement en chaîne de pensée, l'apprentissage few-shot et les systèmes de templates qui rendent les interactions avec l'IA plus fiables et contrôlables.

Prend en charge: Claude Codex Code(CC)

🥇 85 Or

Télécharger le ZIP du skill

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

Activez et commencez à utiliser

Tester

Utilisation de "prompt-engineering-patterns". Design a prompt that helps users write professional emails

Résultat attendu:

Un template structuré d'écriture d'e-mails avec définition de rôle, directives de ton et sections de format qui produit des sorties d'e-mails cohérentes et professionnelles.

Utilisation de "prompt-engineering-patterns". How can I improve code review quality with AI?

Résultat attendu:

Un prompt few-shot fournissant des exemples de revue de code avec des motifs de bugs courants, des considérations de sécurité et des meilleures pratiques qui guide l'IA pour fournir des commentaires thorough and constructifs.

Audit de sécurité

Sûr

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.

Fichiers analysés

2,696

Lignes analysées

résultats

Total des audits

Problèmes à risque faible (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.

Audité par: claude

Score de qualité

Architecture

100

Maintenabilité

Contenu

Communauté

Sécurité

100

Conformité aux spécifications

Ce que vous pouvez construire

Construire des produits IA fiables

Concevoir des systèmes de prompts prêts pour la production avec des formats de sortie cohérents et des motifs de gestion des erreurs pour les applications alimentées par l'IA.

Améliorer la génération de code

Appliquer des techniques de prompt structurées pour obtenir de meilleurs résultats de complétion et génération de code de Claude ou Codex.

Créer des matériaux de formation à l'IA

Développer des bibliothèques de prompts complets et des templates pour l'adoption de l'IA à l'échelle de l'équipe et les meilleures pratiques.

Essayez ces prompts

Raisonnement en chaîne de pensée

Solve this problem step by step:

Problem: {problem}

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

Final answer:

Classification Few-Shot

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

Examples:
{examples}

Now classify this:
Input: {input}

Category:

Template de prompt système

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

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

Output format:
{output_format}

Affinement itératif

Initial request: {request}

Current draft: {draft}

Feedback to address:
{feedback}

Please revise the draft based on this feedback:

Bonnes pratiques

Commencez par des définitions de rôle claires dans les prompts système pour établir les limites du comportement de l'IA
Utilisez des exemples spécifiques et diversifiés dans les prompts few-shot qui couvrent les cas limites
Testez les prompts sur plusieurs variations de requêtes pour garantir des sorties cohérentes

Éviter

Utiliser des instructions vagues comme 'sois utile' sans directives comportementales spécifiques
Surcharger les prompts avec trop d'exemples qui dépassent les limites de la fenêtre de contexte
Supposer que les prompts fonctionnentidentiquement sur différents modèles LLM sans test

Foire aux questions

Qu'est-ce que le prompt de chaîne de pensée ?

Le prompt de chaîne de pensée incite les LLM à montrer leur raisonnement étape par étape, améliorant la précision sur les tâches complexes de mathématiques, de logique et de raisonnement.

Combien d'exemples dois-je inclure dans l'apprentissage few-shot ?

La plupart des tâches fonctionnent bien avec 2-5 exemples. Équilibrez la diversité des exemples avec les limites de la fenêtre de contexte. Trop d'exemples peuvent réduire la qualité de la réponse.

Puis-je utiliser ces motifs avec Claude Code ?

Oui, ces motifs fonctionnent avec Claude, Claude Code, Codex et la plupart des LLM modernes. Claude Code peut exécuter les templates de prompts directement.

Comment déboguer les prompts qui produisent des sorties incohérentes ?

Ajoutez des contraintes de format de sortie explicites, incluez des exemples plus diversifiés et utilisez un raisonnement étape par étape pour rendre le processus de l'IA plus transparent.

Quelle est la différence entre les prompts système et les prompts utilisateur ?

Les prompts système définissent le rôle et le comportement de l'assistant IA au début de la conversation. Les prompts utilisateur contiennent la tâche ou la question spécifique pour chaque interaction.

Comment gérer les risques d'injection de prompts ?

Utilisez des limites d'instruction claires, validez les entrées utilisateur et évitez de concatener du contenu non fiable directement dans les prompts. Structurez les prompts avec des sections distinctes pour les instructions et les données utilisateur.