Compétences prompt-engineering-patterns

📝

prompt-engineering-patterns

Name: prompt-engineering-patterns
Author: wshobson

Sûr ⚙️ Commandes externes📁 Accès au système de fichiers🌐 Accès réseau

Maîtrisez l'ingénierie des prompts pour de meilleurs résultats IA

Les LLM produisent des résultats incohérents avec des prompts mal conçus. Cette compétence fournit des modèles et templates éprouvés pour le raisonnement chain-of-thought, l'apprentissage few-shot et l'optimisation systématique des prompts pour améliorer la qualité des sorties.

Prend en charge: Claude Codex Code(CC)

🥈 81 Argent

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". Write a prompt to summarize customer feedback

Résultat attendu:

Commencez par le rôle système : Vous êtes un analyste professionnel.
Ajoutez des contraintes spécifiques : Résumez en 3 points.
Incluez des exemples : Montrez des paires entrée-sortie pour les catégories de feedback.
Définissez le format : Utilisez une structure cohérente pour chaque résumé.

Audit de sécurité

Sûr

v4 • 1/17/2026

This is a documentation-focused skill containing markdown guides and a local Python utility script for prompt optimization. The 228 static findings are false positives triggered by documentation patterns: backticks in Python code examples misinterpreted as shell commands, cryptographic terminology (SHA, MD5) mentioned in text, and references to API keys and file paths. The skill makes no network calls, has no sensitive filesystem access, and does not execute external commands. The optimize-prompt.py script uses a mock LLM client for local testing only.

Fichiers analysés

2,919

Lignes analysées

résultats

Total des audits

Facteurs de risque

⚙️ Commandes externes (169)

📁 Accès au système de fichiers (3)

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

🌐 Accès réseau (1)

skill-report.json:6

Audité par: claude Voir l’historique des audits →

Score de qualité

Architecture

100

Maintenabilité

Contenu

Communauté

100

Sécurité

Conformité aux spécifications

Ce que vous pouvez construire

Optimiser les prompts de production

Tester et affiner systématiquement les prompts pour les applications LLM de production utilisant des frameworks de test A/B.

Construire des bibliothèques de modèles

Créer des modèles de prompts réutilisables avec interpolation de variables pour une génération de contenu cohérente.

Appliquer des techniques avancées

Implémenter les patterns chain-of-thought et auto-consistance pour les tâches de raisonnement complexes.

Essayez ces prompts

Classification simple

Classify this text into one of these categories: Positive, Negative, Neutral.

Text: {text}

Category:

Extraction few-shot

Extract information in JSON format.

Example:
Text: Apple CEO Tim Cook announced new iPhone.
Output: {"persons":["Tim Cook"],"organizations":["Apple"],"products":["iPhone"]}

Text: {text}

Output:

Chain-of-Thought

Solve this step by step.

Problem: {problem}

Step 1: Identify what we know
Step 2: Determine the approach
Step 3: Calculate
Step 4: Verify

Answer:

Auto-consistance

Solve this problem three different ways. Then identify which answer appears most frequently.

Problem: {problem}

Approach 1:
Result:

Approach 2:
Result:

Approach 3:
Result:

Final Answer (most common):

Bonnes pratiques

Soyez spécifique sur les exigences de format, de longueur et de style plutôt que de compter sur des instructions implicites
Utilisez des exemples few-shot pour démontrer le format de sortie exact dont vous avez besoin, surtout pour les données structurées
Testez les prompts sur des cas limites et des entrées diverses avant de les déployer en production

Éviter

Surcharger les prompts avec trop d'exemples, ce qui fait que les limites de tokens réduisent l'espace pour l'entrée réelle
Utiliser des instructions vagues comme 'soyez utile' ou 'soyez précis' que différents modèles interprètent différemment
Sauter les étapes de vérification pour les sorties factuelles ou logiques qui nécessitent une validation

Foire aux questions

Quels LLM fonctionnent avec ces patterns ?

Les patterns fonctionnent avec Claude, GPT-4, Claude Code et la plupart des modèles affinés par instruction. Certaines techniques comme chain-of-thought fonctionnent mieux sur les modèles capables de raisonnement.

Quel est le nombre optimal d'exemples few-shot ?

La plupart des tâches fonctionnent bien avec 3 à 5 exemples. Plus d'exemples peuvent diluer l'attention et consommer le budget de tokens. Testez différents nombres pour votre cas d'usage spécifique.

Comment intégrer avec mon codebase existant ?

La compétence fournit des systèmes de modèles et des utilitaires Python. Adaptez les classes PromptTemplate à votre client LLM. Le script optimize-prompt.py montre un workflow de test.

Mes données sont-elles envoyées quelque part ?

Non. Cette compétence s'exécute localement. Les documents de référence et les scripts utilitaires fonctionnent entièrement sur votre machine. Aucun appel réseau externe n'est effectué par aucun composant.

Pourquoi mes prompts fonctionnent-ils différemment selon les modèles ?

Les modèles ont des entraînements et des capacités différents. Testez et ajustez les modèles par modèle. Chain-of-thought fonctionne mieux sur les modèles de raisonnement. Certains modèles ont besoin d'instructions de format plus explicites.

Comment cela se compare-t-il aux autres compétences de prompting ?

Cette compétence se concentre sur les patterns prêts pour la production avec des workflows d'optimisation systématiques. Elle couvre les systèmes de modèles, les tests A/B et les métriques d'évaluation pour le déploiement en conditions réelles.