Analyse et améliore un prompt existant pour obtenir de meilleurs résultats avec un LLM. À utiliser quand l'utilisateur a un prompt qui ne donne pas les résultats voulus ou veut l'améliorer. Se déclenche aussi avec "améliore mon prompt", "optimise ce prompt", "mon prompt ne marche pas", "meilleur prompt", "prompt engineering", ou toute demande d'amélioration de prompt. Also triggers on "improve my prompt", "optimize this prompt", "better results from the model".
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
Quelldateien prüfen
Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Ein direkter Befehl überspringt den Prüf-Prompt. Prüfen Sie die Quelle, bevor Sie ihn ausführen.
Analyse et améliore un prompt existant pour obtenir de meilleurs résultats avec un LLM. À utiliser quand l'utilisateur a un prompt qui ne donne pas les résultats voulus ou veut l'améliorer. Se déclenche aussi avec "améliore mon prompt", "optimise ce prompt", "mon prompt ne marche pas", "meilleur prompt", "prompt engineering", ou toute demande d'amélioration de prompt. Also triggers on "improve my prompt", "optimize this prompt", "better results from the model".
Prompt Optimizer
Étape 1 — Collecte d'infos (si manquantes)
Avant d'analyser, vérifie que tu as :
Le prompt brut à optimiser (obligatoire).
Le LLM cible : GPT-4o, Claude, Gemini, Llama 3, Mistral… (influence les délimiteurs et la longueur optimale).
Le problème observé : sortie trop vague, format non respecté, hallucinations, trop longue, hors-sujet.
L'usage : system prompt, one-shot, few-shot, chain, RAG, agent.
Si rien n'est précisé, optimise pour Claude Sonnet et documente les hypothèses.
Étape 2 — Audit (grille 7 critères)
Score rapide 1-5 ; ne justifie que les cases ≤ 3.
Critère
Score
Problème identifié
Clarté de la tâche
Spécificité / périmètre
Contexte (rôle, audience, domaine)
Exemples few-shot (0 = aucun)
Contraintes / garde-fous
Format de sortie défini
Longueur / densité adaptée
Seuils d'action :
Score moyen < 3 → réécriture complète.
1-2 critères ≤ 2 → réécriture ciblée.
Tous ≥ 4 → micro-ajustements + variante.
Étape 3 — Techniques disponibles (choisir selon diagnostic)
Rôle + contexte
Tu es un [rôle expert] travaillant pour [contexte].
Ton audience est [profil]. Ton objectif est [but précis].
Règle : les exemples doivent couvrir des cas-limites, pas seulement le cas nominal.
Chain-of-thought
Avant de répondre, raisonne étape par étape dans un bloc <thinking>…</thinking>.
Fournis uniquement la réponse finale hors de ce bloc.
Contraintes négatives
Ne génère PAS de code commenté en français si les noms de variables sont en anglais.
Ne dépasse PAS 200 mots.
N'invente JAMAIS de référence bibliographique.
Format de sortie explicite
Réponds UNIQUEMENT en JSON valide, sans markdown, avec ce schéma :
{"titre": string, "score": number, "recommandations": string[]}
Découpe en sous-prompts enchaînés : extraction → analyse → formatage.
Utilise un prompt de coordination si c'est un agent.
Étape 4 — Prompt optimisé
Produis le prompt réécrit en bloc de code copiable, puis annote chaque section avec // → raison.
Exemple de structure annotée :
Tu es un expert en sécurité applicative (OWASP Top 10). // → rôle ancré
Analyse le code suivant et identifie les vulnérabilités. // → tâche précise
<code>
{{CODE}}
</code>
Pour chaque vulnérabilité trouvée :
1. Nom (CWE si disponible) // → format structuré
2. Ligne concernée
3. Risque (critique/haut/moyen/faible)
4. Correction recommandée (max 3 lignes de code)
Ne signale PAS les warnings de style ou de linting. // → contrainte négative
Étape 5 — Variantes
Fournis systématiquement deux versions :
Version minimale — efficace en tokens, idéale pour API à coût par token :
