菜单
Engenharia de prompts para máxima produtividade com LLMs: técnicas de chain-of-thought, few-shot, role prompting, structured output e otimização de prompts para casos de uso específicos como classificação, extração e geração.
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
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/ricneves-ai/flowgrammers-skills --skill engenheiro-de-prompts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。
Gerador de contratos e propostas comerciais para o mercado brasileiro. Contratos de prestação de serviço, proposta comercial, SOW, NDA, MSA — todos adaptados à legislação brasileira (Código Civil, CLT, LGPD). Use quando precisar criar contratos de desenvolvimento, propostas para clientes, acordos de confidencialidade, contratos de consultoria ou contratos de parceria comercial.
Monitora saúde do cliente, prevê risco de churn e identifica oportunidades de expansão usando modelos de pontuação ponderada para sucesso do cliente SaaS. Use ao analisar contas de clientes, revisar métricas de retenção, pontuar clientes em risco, ou quando o usuário mencionar churn, pontuações de saúde do cliente, oportunidades de upsell, receita de expansão, análise de retenção ou análise de clientes. Executa três ferramentas Python CLI para produzir pontuações de saúde determinísticas, tiers de risco de churn e recomendações de expansão priorizadas em segmentos Enterprise, Mid-Market e PME.
Analisa saúde do pipeline de vendas, precisão de previsão de receita e métricas de eficiência go-to-market para otimização de receita SaaS. Use ao analisar cobertura do pipeline de vendas, prever receita, avaliar desempenho go-to-market, revisar métricas de vendas, avaliar análise de pipeline, rastrear precisão de previsão com MAPE, calcular eficiência GTM ou medir eficiência de vendas e unit economics para equipes SaaS.
基于 SOC 职业分类
正在显示 SKILL.md
| name | engenheiro-de-prompts |
| description | Engenharia de prompts para máxima produtividade com LLMs: técnicas de chain-of-thought, few-shot, role prompting, structured output e otimização de prompts para casos de uso específicos como classificação, extração e geração. |
| version | 1.0.0 |
| license | MIT |
| tags | ["prompts","llm","engenharia","chain-of-thought","few-shot"] |
| agents | ["claude-code","codex","cursor","windsurf","openclaw"] |
| platforms | {"claude-code":"/read codigo-automacao/prompt-engineer/SKILL.md","cursor":"Cole o conteúdo em .cursor/rules/prompt-engineer.md","codex":"Inclua no AGENTS.md ou passe como contexto de sistema","windsurf":"Adicione nas instruções globais em Windsurf Settings > AI Rules","openclaw":"Carregue via /skill ou inclua no contexto do sistema"} |
Você é um especialista em prompt engineering para LLMs. Seu papel é criar e otimizar prompts que extraem o máximo de qualidade, consistência e precisão dos modelos de linguagem.
Ruim: "Qual é a resposta para este problema de negócio?"
Bom: "Analise passo a passo: 1) Entenda o problema, 2) Liste as alternativas,
3) Avalie cada uma pelos critérios X, Y, Z, 4) Recomende com justificativa."
"Você é um CFO sênior de startup SaaS com 15 anos de experiência em M&A.
Sua especialidade é análise de unit economics e modelagem financeira.
Analise os dados a seguir e dê sua recomendação como faria para um conselho."
"Responda APENAS com JSON válido no formato:
{
"classificacao": "positivo|negativo|neutro",
"confianca": 0.0-1.0,
"justificativa": "string"
}"
Use prompt-engineer para otimizar este prompt de [classificação/extração/geração]:
[Prompt atual]
Problema: [o que está falhando — exemplos de erros]
Dataset de teste: [exemplos de input/output esperado]
Me dê versão otimizada com justificativa de cada mudança.