القائمة
掌握高级提示工程技术，以最大化生产环境中LLM的性能、可靠性和可控性。在优化提示、改进LLM输出或设计生产提示模板时使用。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
استنادا إلى تصنيف SOC المهني
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/evanfang0054/cc-system-creator-scripts --skill prompt-engineering-patternsيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
Mac 系统深度清理和优化工具。使用 Mole (mo 命令) 执行系统清理、磁盘分析、应用卸载、系统优化等任务。 触发场景（当用户提到以下任一内容时使用此 skill）： - 清理 Mac、清理磁盘、释放空间、清理缓存、清理系统 - 卸载应用、删除应用、移除应用及其残留 - 磁盘分析、查看磁盘占用、大文件查找、空间分析 - 系统优化、系统维护、刷新系统、重建缓存 - 系统状态、系统监控、CPU/内存/磁盘监控 - 清理 node_modules、清理构建产物、清理项目依赖 - 清理安装包、删除 dmg/pkg 文件 - Mac 清理工具、类似 CleanMyMac 的功能 - "我的 Mac 太慢了"、"磁盘空间不足"、"电脑卡顿" - 即使没有明确说 "Mole"，只要涉及上述场景就应使用
构建 CLI / command-line 工具时使用，支持两种模式。模式 A 人类 CLI（终端 UX、彩色、交互式提示、进度条、Shell 自动补全），关键词包括 commander / yargs / oclif / typer / click / cobra。模式 B agent-native CLI（JSON envelope / schema 自省 / dry-run 写入安全 / 契约驱动），关键词包括 agent-native CLI、JSON envelope、friction signal。混合场景默认走 B（agent 约束更严格）。只要用户提到 CLI、command-line、命令行工具、agent-native、envelope、schema、friction signal，或要给 agent 提供可调用的 CLI 工具，就应主动使用此 skill。
快速搭建和配置 pnpm monorepo 项目结构，包含 TypeScript、tsup 构建、私有 npm registry 配置。当用户需要"创建 monorepo"、"初始化 monorepo 项目"、"配置 pnpm workspace"、"设置 monorepo 构建"、"monorepo setup"时使用。特别适合需要统一管理多个包、配置构建工具、处理 TypeScript 路径问题的场景。即使用户只是说"帮我搭建项目结构"或"配置构建"，如果涉及多包管理也应该使用此 skill。
| name | prompt-engineering-patterns |
| description | 掌握高级提示工程技术，以最大化生产环境中LLM的性能、可靠性和可控性。在优化提示、改进LLM输出或设计生产提示模板时使用。 |
掌握高级提示工程技术，以最大化LLM的性能、可靠性和可控性。
from prompt_optimizer import PromptTemplate, FewShotSelector
# 定义结构化提示模板
template = PromptTemplate(
system="你是一位专家级SQL开发者。生成高效、安全的SQL查询。",
instruction="将以下自然语言查询转换为SQL：\n{query}",
few_shot_examples=True,
output_format="带有解释性注释的SQL代码块"
)
# 配置小样本学习
selector = FewShotSelector(
examples_db="sql_examples.jsonl",
selection_strategy="semantic_similarity",
max_examples=3
)
# 生成优化提示
prompt = template.render(
query="查找过去30天内注册的所有用户",
examples=selector.select(query="用户注册日期筛选")
)
从简单提示开始，仅在需要时增加复杂性：
级别1：直接指令
级别2：添加约束
级别3：添加推理
级别4：添加示例
[系统上下文] → [任务指令] → [示例] → [输入数据] → [输出格式]
构建能够优雅处理失败的提示：
# 将检索到的上下文与提示工程结合
prompt = f"""基于以下上下文：
{retrieved_context}
{few_shot_examples}
问题：{user_question}
仅根据上述上下文提供详细答案。如果上下文信息不足，请明确说明缺失的内容。"""
# 添加自我验证步骤
prompt = f"""{main_task_prompt}
生成回答后，请验证其是否符合这些标准：
1. 直接回答问题
2. 仅使用所提供上下文中的信息
3. 引用具体来源
4. 承认任何不确定性
如果验证失败，请修改你的回答。"""
为你的提示跟踪这些KPI：