技能 prompt-engineering-patterns

📝

prompt-engineering-patterns

Name: prompt-engineering-patterns
Author: wshobson

安全 ⚙️ 外部命令📁 文件系统访问🌐 网络访问

Domine a Engenharia de Prompts para Melhores Resultados de IA

也可从以下获取: sickn33

LLMs produzem resultados inconsistentes com prompts mal elaborados. Esta skill fornece padrões e templates testados em batalha para raciocínio chain-of-thought, aprendizado few-shot e otimização sistemática de prompts para melhorar a qualidade da saída.

支持: Claude Codex Code(CC)

🥇 82 黄金

下载技能 ZIP

在 Claude 中上传

前往设置 → 功能 → 技能 → 上传技能

开启并开始使用

测试它

正在使用“prompt-engineering-patterns”。 Write a prompt to summarize customer feedback

预期结果:

Comece com o papel do sistema: Você é um analista profissional.
Adicione restrições específicas: Resuma em 3 pontos.
Inclua exemplos: Mostre pares entrada-saída para categorias de feedback.
Defina o formato: Use estrutura consistente para cada resumo.

安全审计

安全

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.

已扫描文件

2,919

分析行数

发现项

审计总数

风险因素

⚙️ 外部命令 (169)

📁 文件系统访问 (3)

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

🌐 网络访问 (1)

skill-report.json:6

审计者: claude 查看审计历史 →

质量评分

架构

100

可维护性

内容

社区

100

安全

规范符合性

你能构建什么

Otimizar Prompts de Produção

Testar e refinar sistematicamente prompts para aplicações LLM de produção usando frameworks de teste A/B.

Construir Bibliotecas de Templates

Criar templates de prompts reutilizáveis com interpolação de variáveis para geração consistente de conteúdo.

Aplicar Técnicas Avançadas

Implementar padrões chain-of-thought e autoconsistência para tarefas complexas de raciocínio.

试试这些提示

Classificação Simples

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

Text: {text}

Category:

Extração 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:

Autoconsistência

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):

最佳实践

Seja específico sobre requisitos de formato, comprimento e estilo em vez de depender de instruções implícitas
Use exemplos few-shot para demonstrar o formato exato de saída que você precisa, especialmente para dados estruturados
Teste prompts em casos extremos e entradas diversas antes de implantar em produção

避免

Sobrecarregar prompts com muitos exemplos, fazendo com que limites de token reduzam o espaço para a entrada real
Usar instruções vagas como 'seja útil' ou 'seja preciso' que diferentes modelos interpretam de maneira diferente
Pular etapas de verificação para saídas factuais ou lógicas que requerem validação

常见问题

Quais LLMs funcionam com esses padrões?

Os padrões funcionam com Claude, GPT-4, Claude Code e a maioria dos modelos ajustados por instruções. Algumas técnicas como chain-of-thought funcionam melhor em modelos com capacidade de raciocínio.

Qual é o número ideal de exemplos few-shot?

A maioria das tarefas tem bom desempenho com 3 a 5 exemplos. Mais exemplos podem diluir o foco e consumir o orçamento de token. Teste diferentes quantidades para o seu caso de uso específico.

Como integro com minha base de código existente?

A skill fornece sistemas de template e utilitários Python. Adapte as classes PromptTemplate ao seu cliente LLM. O script optimize-prompt.py mostra um fluxo de trabalho de teste.

Meus dados são enviados para algum lugar?

Não. Esta skill executa localmente. Os materiais de referência e scripts utilitários operam inteiramente na sua máquina. Nenhuma chamada de rede externa é feita por qualquer componente.

Por que meus prompts funcionam diferentemente entre modelos?

Os modelos têm diferentes treinamentos e capacidades. Teste e ajuste templates por modelo. Chain-of-thought funciona melhor em modelos de raciocínio. Alguns modelos precisam de instruções de formato mais explícitas.

Como isso se compara a outras skills de prompting?

Esta skill foca em padrões prontos para produção com fluxos de trabalho de otimização sistemática. Cob sistemas de templates, testes A/B e métricas de avaliação para implantação no mundo real.