prompt-engineering
Изучите передовые техники инженерии промптов
也可从以下获取: inference-sh-9,inference-sh,Doyajin174
Сталкиваетесь с нестабильными результатами ИИ и ненадёжными ответами? Изучите проверенные паттерны инженерии промптов, которые максимизируют производительность, надёжность и управляемость больших языковых моделей.
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”。 Пользователь спрашивает: Как улучшить мои промпты для задач код-ревью?
预期结果:
- Используйте структурированный шаблон с контекстом, блоком кода и конкретными областями фокуса
- Включите 2-3 примера ревью, показывающих ожидаемую глубину и формат
- Запросите пошаговый анализ перед финальными рекомендациями
- Укажите формат вывода: Анализ, Рекомендация, Пример кода, Компромиссы
正在使用“prompt-engineering”。 Пользователь хочет стабильный JSON-вывод от ИИ для классификации тикетов
预期结果:
- Предоставьте 3-5 пар примеров входных и выходных данных, показывающих различные типы тикетов
- Включите граничные случаи, такие как отсутствующая информация или неоднозначные запросы
- Покажите точную JSON-схему со значениями null для отсутствующих полей
- Завершите "Now process:" с последующим новым тикетом для классификации
安全审计
安全All static analysis findings are false positives. The skill is a documentation-only resource about prompt engineering techniques. The 'external_commands' patterns appear in markdown code examples (not executable code), and no cryptographic code exists in the file. The skill contains educational content about prompting strategies with no security risks.
质量评分
你能构建什么
AI-разработчик, улучшающий генерацию кода
Backend-разработчики могут изучить паттерны промптов для получения более точных код-ревью, дизайнов API и документации от AI-ассистентов.
Создатель контента, оптимизирующий результаты ИИ
Авторы и маркетологи могут применять few-shot learning и системы шаблонов для создания стабильного, соответствующего бренду контента в масштабе.
Аналитик данных, структурирующий AI-анализ
Аналитики могут использовать chain-of-thought промпты для проверки логики ИИ в сложных задачах работы с данными и снижения ошибок в аналитических задачах.
试试这些提示
Summarize this article in 3 bullet points, focusing on the key findings.
Extract key information from support tickets:
Input: "My login doesn't work and I keep getting error 403"
Output: {"issue": "authentication", "error_code": "403", "priority": "high"}
Input: "Feature request: add dark mode to settings"
Output: {"issue": "feature_request", "error_code": null, "priority": "low"}
Now process: "Can't upload files larger than 10MB, getting timeout"Analyze this bug report and determine root cause. Think step by step: 1. What is the expected behavior? 2. What is the actual behavior? 3. What changed recently that could cause this? 4. What components are involved? 5. What is the most likely root cause? Bug: "Users can't save drafts after the cache update deployed yesterday"
Review this {language} code for {focus_area}.
Code:
{code_block}
Provide feedback on:
{checklist}最佳实践
- Начинайте с простого и итеративно улучшайте — начните с прямых инструкций, добавляйте сложность только при необходимости на основе наблюдаемых результатов
- Показывайте примеры вместо описания правил — 2-5 пар входных и выходных данных стабильно превосходят пространные объяснения
- Тщательно тестируйте на разнообразных входных данных, включая граничные случаи, перед развёртыванием промптов в производственных рабочих процессах
避免
- Избыточная инженерия промптов со сложными структурами до попытки простых прямых инструкций
- Использование примеров, которые не соответствуют целевой задаче, вызывая запутанное или нестабильное поведение модели
- Превышение лимитов токенов избыточными примерами, которые вытесняют релевантный контекст из окна промпта