스킬 prompt-engineering-patterns

📝

prompt-engineering-patterns

Name: prompt-engineering-patterns
Author: wshobson

안전 ⚙️ 외부 명령어📁 파일 시스템 액세스🌐 네트워크 접근

더 나은 AI 결과를 위한 마스터 프롬프트 엔지니어링

LLM은 잘 만들어지지 않은 프롬프트로 인해 일관성 없는 결과를 생성합니다. 이 기술은(chain-of-thought) 추론, few-shot 학습, 체계적인 프롬프트 최적화를 위한 검증된 패턴과 템플릿을 제공하여 출력 품질을 향상시킵니다.

지원: Claude Codex Code(CC)

🥈 81 실버

스킬 ZIP 다운로드

Claude에서 업로드

설정 → 기능 → 스킬 → 스킬 업로드로 이동

토글을 켜고 사용 시작

테스트해 보기

"prompt-engineering-patterns" 사용 중입니다. 고객 피드백을 요약하는 프롬프트 작성

예상 결과:

시스템 역할로 시작하세요: 당신은 전문 분석가입니다.
구체적인 제약 조건 추가: 3개의 글머리 기호로 요약합니다.
예시 포함: 피드백 카테고리에 대한 입력-출력 쌍을 보여줍니다.
형식 정의: 각 요약에 일관된 구조를 사용합니다.

보안 감사

안전

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.

스캔된 파일

2,919

분석된 줄 수

발견 사항

총 감사 수

위험 요인

⚙️ 외부 명령어 (169)

📁 파일 시스템 액세스 (3)

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

🌐 네트워크 접근 (1)

skill-report.json:6

감사자: claude 감사 이력 보기 →

품질 점수

아키텍처

100

유지보수성

콘텐츠

커뮤니티

100

보안

사양 준수

만들 수 있는 것

프로덕션 프롬프트 최적화

A/B 테스트 프레임워크를 사용하여 프로덕션 LLM 애플리케이션의 프롬프트를 체계적으로 테스트하고 개선합니다.

템플릿 라이브러리 구축

일관된 콘텐츠 생성을 위해 변수 보간이 가능한 재사용 가능한 프롬프트 템플릿을 생성합니다.

고급 기법 적용

복잡한 추론 작업을 위해 chain-of-thought 및 self-consistency 패턴을 구현합니다.

이 프롬프트를 사용해 보세요

간단한 분류

이 텍스트를 다음 카테고리 중 하나로 분류하세요: 긍정, 부정, 중립.

텍스트: {text}

카테고리:

Few-Shot 추출

JSON 형식으로 정보를 추출합니다.

예시:
텍스트: Apple CEO Tim Cook이 새로운 iPhone을 발표했습니다.
출력: {"persons":["Tim Cook"],"organizations":["Apple"],"products":["iPhone"]}

텍스트: {text}

출력:

Chain-of-Thought

이 문제를 단계별로 해결하세요.

문제: {problem}

1단계: 알고 있는 것 확인
2단계: 접근 방식 결정
3단계: 계산
4단계: 검증

답:

Self-Consistency

이 문제를 세 가지 다른 방식으로 해결하세요. 그 다음 가장 많이 등장하는 답을 선택하세요.

문제: {problem}

방식 1:
결과:

방식 2:
결과:

방식 3:
결과:

최종 답 (가장 일반적인):

모범 사례

암묵적인 지침에 의존하기보다는 형식, 길이, 스타일 요구 사항에 대해 구체적으로 명시하세요
필요한 정확한 출력 형식을 보여주기 위해 few-shot 예시를 사용하세요 (구조화된 데이터에 특히 효과적)
프로덕션에 배포하기 전에 에지 케이스와 다양한 입력으로 프롬프트를 테스트하세요

피하기

너무 많은 예시로 프롬프트를 과부하시켜 토큰 제한으로 인해 실제 입력 공간이 줄어드는情况
'도움이 돼라'나 '정확해라'처럼 모호한 지침 사용 (서로 다른 모델이 다르게 해석함)
검증이 필요한 사실적 또는 논리적 출력에 대한 검증 단계 건너뛰기

자주 묻는 질문

이러한 패턴은 어떤 LLM에서 작동합니까?

이 패턴은 Claude, GPT-4, Claude Code 및 대부분의 지시 조정 모델에서 작동합니다. chain-of-thought와 같은 일부 기법은 추론 능력이 있는 모델에서 가장 효과적입니다.

최적의 few-shot 예시 개수는 무엇입니까?

대부분의 작업에서 3~5개의 예시가 효과적입니다. 더 많은 예시는 집중력을 떨어뜨리고 토큰 예산을 소모할 수 있습니다. 특정 유스케이스에 대해 다른 개수를 테스트하세요.

기존 코드베이스와 어떻게 통합합니까?

이 기술은 템플릿 시스템과 Python 유틸리티를 제공합니다. PromptTemplate 클래스를 LLM 클라이언트에 맞게 조정하세요. optimize-prompt.py 스크립트는 테스트 워크플로우를 보여줍니다.

데이터가 외부로 전송되나요?

아니요. 이 기술은 로컬에서 실행됩니다. 참조 자료 및 유틸리티 스크립트가 완전히 사용자 머신에서 작동합니다. 어떤 컴포넌트도 외부 네트워크 호출을 하지 않습니다.

프롬프트가 모델마다 다르게 작동하는 이유는 무엇입니까?

모델은 서로 다른 학습과 능력을 가지고 있습니다. 모델별로 템플릿을 테스트하고 조정하세요. chain-of-thought는 추론 모델에서 더 효과적입니다. 일부 모델은 더 명시적인 형식 지시가 필요합니다.

다른 프롬프팅 기술과 비교하여 어떻게 다릅니까?

이 기술은 체계적인 최적화 워크플로우를 갖춘 프로덕션 준비 완료 패턴에 중점을 있습니다. 템플릿 시스템, A/B 테스트 및 실제 배포를 위한 평가 지표를 다룹니다.

개발자 세부 정보

작성자

wshobson

라이선스

MIT

리포지토리

https://github.com/wshobson/agents/tree/main/plugins/llm-application-dev/skills/prompt-engineering-patterns

참조

main

파일 구조

📁 assets/

📄 few-shot-examples.json

📄 prompt-template-library.md

📁 references/

📄 chain-of-thought.md

📄 few-shot-learning.md

📄 prompt-optimization.md

📄 prompt-templates.md

📄 system-prompts.md

📁 scripts/

📄 optimize-prompt.py

📄 SKILL.md