evanfang0054
evanfang0054/cc-system-creator-scripts
相关职业SOC
基于 SOC 职业分类
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/evanfang0054/cc-system-creator-scripts --skill prompt-engineering-patterns命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
基于 SOC 职业分类
| 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：