Menu
프롬프트 설계 — system/user 분리, few-shot 기준, 토큰 효율 vs 정확도
| name | prompt-engineering |
| description | 프롬프트 설계 — system/user 분리, few-shot 기준, 토큰 효율 vs 정확도 |
| user_invocable | true |
LLM 프롬프트를 처음 설계할 때 사용. (기존 prompt-review는 작성된 프롬프트를 검증)
/prompt-engineering design <task> → 새 프롬프트 설계 (system/user 분리)
/prompt-engineering fewshot <task> → few-shot 예시 필요 여부 판단
/prompt-engineering token <prompt> → 토큰 사용량 추정 + 절감안
/prompt-engineering schema <task> → JSON output 스키마 설계
| 스킬 | 시점 | 목적 |
|---|---|---|
| prompt-engineering | 작성 전 | 어떻게 만들지 설계 |
| prompt-review | 작성 후 | 만든 것 검증 |
max_output_tokens 또는 "20자 이내" 같은 in-prompt 지시)quality.py ↔ 프롬프트)_CHANNEL_INSTRUCTIONS = {
"askanything": "친근한 반말, 호기심 자극",
"wonderdrop": "다큐멘터리 권위, calm authority",
"exploratodo": "에너지 LATAM, 빠른 리듬",
"prismtale": "다크 미스터리, 시네마틱",
}
prompt += f"\n[Channel Style] {_CHANNEL_INSTRUCTIONS[channel]}"
system_prompt = base_prompt + format_fragments[format_type][lang]
modules/gpt/prompts/ — 시스템 프롬프트 본체modules/gpt/prompts/formats/ — 포맷별 fragmentmodules/gpt/cutter/verifier.py — 검증 프롬프트modules/gpt/cutter/enhancer.py — 비주얼/폴리시 프롬프트/prompt-review로 검증/cost-aware-llm-pipeline과 토큰 사용량 교차 검토polisher 스킬과 일관성 유지agent_memory 조회 — 실패 패턴/바이럴 시그널/훅 성과 4채널 비교
Watch a video (URL or local path). Downloads with yt-dlp, extracts auto-scaled frames with ffmpeg, pulls the transcript from captions (or Whisper API fallback), and hands the result to Claude so it can answer questions about what's in the video.
자동 디버깅 — 에러 로그 → 원인 파일/라인 추적, Docker/Python traceback 분석
자동 리팩토링 — 긴 함수 분리, 중복 제거, import 정리
자동 테스트 — 변경 파일 syntax/import/smoke test 일괄 검증
경보 엔진 — 아웃라이어/하락/바이럴 감지 + Telegram 알림