القائمة
LLMのパフォーマンス、信頼性、制御性を本番環境で最大化するための高度なプロンプトエンジニアリング技術をマスターします。プロンプトの最適化、LLM出力の改善、または本番環境プロンプトテンプレートの設計時に使用します。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
自動メトリクス、人間によるフィードバック、およびベンチマークを使用して、LLMアプリケーションの包括的な評価戦略を実装します。LLMのパフォーマンスをテストし、AIアプリケーションの品質を測定し、または評価フレームワークを確立する場合に使用します。
建設的なフィードバックを提供し、早期にバグを発見し、チームの士気を維持しながら知識共有を促進する効果的なコードレビュー実践をマスター。プルリクエストのレビュー、レビュー基準の確立、開発者のメンタリング時に使用。
体系的なデバッグ技術、プロファイリングツール、根本原因分析をマスターし、あらゆるコードベースや技術スタックでバグを効率的に追跡。バグ調査、パフォーマンス問題、予期しない動作の調査時に使用。
PlaywrightとCypressを使用したエンドツーエンドテストをマスターし、バグを捕捉し、信頼性を向上させ、高速デプロイメントを可能にする信頼性の高いテストスイートを構築。E2Eテストの実装、不安定なテストのデバッグ、テスト基準の確立時に使用。
rebase、cherry-pick、bisect、worktree、reflogを含む高度なGitワークフローをマスターし、クリーンな履歴を維持し、あらゆる状況から回復。複雑なGit履歴の管理、フィーチャーブランチでの協働、リポジトリ問題のトラブルシューティング時に使用。
Turborepo、Nx、pnpmワークスペースを使用したモノレポ管理をマスターし、最適化されたビルドと依存関係管理で効率的でスケーラブルなマルチパッケージリポジトリを構築。モノレポのセットアップ、ビルドの最適化、共有依存関係の管理時に使用。
| name | prompt-engineering-patterns |
| description | LLMのパフォーマンス、信頼性、制御性を本番環境で最大化するための高度なプロンプトエンジニアリング技術をマスターします。プロンプトの最適化、LLM出力の改善、または本番環境プロンプトテンプレートの設計時に使用します。 |
English | 日本語
LLMのパフォーマンス、信頼性、制御性を最大化するための高度なプロンプトエンジニアリング技術をマスターします。
from prompt_optimizer import PromptTemplate, FewShotSelector
# 構造化プロンプトテンプレートを定義
template = PromptTemplate(
system="You are an expert SQL developer. Generate efficient, secure SQL queries.",
instruction="Convert the following natural language query to SQL:\n{query}",
few_shot_examples=True,
output_format="SQL code block with explanatory comments"
)
# few-shot学習を設定
selector = FewShotSelector(
examples_db="sql_examples.jsonl",
selection_strategy="semantic_similarity",
max_examples=3
)
# 最適化されたプロンプトを生成
prompt = template.render(
query="Find all users who registered in the last 30 days",
examples=selector.select(query="user registration date filter")
)
必要なときだけ複雑さを追加して、シンプルなプロンプトから始める:
レベル1: 直接的な指示
レベル2: 制約を追加
レベル3: 推論を追加
レベル4: 例を追加
[システムコンテキスト] → [タスク指示] → [例] → [入力データ] → [出力形式]
失敗を適切に処理するプロンプトを構築:
# 検索されたコンテキストとプロンプトエンジニアリングを組み合わせる
prompt = f"""以下のコンテキストを考慮:
{retrieved_context}
{few_shot_examples}
質問: {user_question}
上記のコンテキストのみに基づいて詳細な回答を提供。コンテキストに十分な情報が含まれていない場合、何が欠けているかを明示的に述べる。"""
# 自己検証ステップを追加
prompt = f"""{main_task_prompt}
応答を生成した後、これらの基準を満たすことを検証:
1. 質問に直接回答
2. 提供されたコンテキストからの情報のみを使用
3. 特定のソースを引用
4. 不確実性を認める
検証が失敗した場合、応答を修正。"""
プロンプトに対してこれらのKPIを追跡: