Menü
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
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.
npx skills add https://github.com/NPC-Worldwide/npcsh --skill npcpy-promptingDer Befehl bleibt in einer Zeile. Scrollen Sie horizontal, um ihn vor dem Kopieren vollständig zu prüfen.
Sie bevorzugen eine lokale Kopie? Laden Sie die Dateien herunter, die SkillsMP derzeit vorliegen.
Git workflow best practices. Use when asked about git branching, commits, or merge strategy. [Sections: branching, commits, merging, hotfix]
Patterns for clear technical writing in documentation, READMEs, API references, and design documents.
Generate paired weak/strong technical writing examples for training and preference optimization. Stores examples for reuse in GRPO/DPO fine-tuning.
Basierend auf der SOC-Berufsklassifikation
SKILL.md wird angezeigt
| name | npcpy-prompting |
| description | npcpy LLM prompting and JSON formatting patterns. |
| source_jinx | npcsh/npc_team/jinxes/skills/npcpy-prompting.jinx |
| engine | skill |
npcpy LLM prompting and JSON formatting patterns.
Always import at module level:
from npcpy.llm_funcs import get_llm_responsefrom npcpy.npc_compiler import NPCfrom npcpy.gen.response import get_litellm_response (only for streaming)get_llm_response(prompt, model, provider, **kwargs) — first arg is POSITIONAL.
Do NOT write prompt=prompt. Do NOT use NPC.call(). The function is module-level.
Pass format="json" for structured output.
npcpy parses internally. Access via response["response"].
Never call json.loads() manually.
Create an NPC to hold model, provider, and primary_directive.
Pass it as npc=npc_instance so npcpy reads those values:
npc = NPC(name="...", primary_directive="...", model="...", provider="...")
response = get_llm_response(prompt, npc=npc, format="json", temperature=0.7)
data = response["response"]
Pass conversation history as messages=[{"role": "system", "content": msg}].
This is a kwarg like any other. It does not persist between calls.
Sampling kwargs to get_llm_response:
temperature, top_p, top_k, max_tokensstream=True returns a generator in response["response"]For token-level streaming use get_litellm_response with stream=True.
For segment-level use get_llm_response(..., stream=True) and iterate response["response"].
json.loads(response["response"]).response.get("response") and then parse it again.response is a string when format="json" is used.When constructing prompt strings in Python:
f"""...""" for all multiline prompts. Do NOT use implicit string concatenation.return statement. Assign to a variable first, then return it.""" must be at the same indentation as the variable assignment.{{ inside f-strings. If you need literal curly braces in the prompt output, use explicit string concatenation:
prompt = f"""Write a JSON response like this:""" + """\n{'key': 'value'}\n"""
f"..." f"..." on adjacent lines or in parentheses expecting the parser to concatenate them.