К основному содержанию
скилл CX Codex

automatic-stateful-prompt-improver — скилл для Claude Code: установка

Скилл automatic-stateful-prompt-improver перехватывает сложные запросы и улучшает их с помощью алгоритмов DSPy, APE и OPRO. Сохраняет историю удачных формулировок через MCP-сервер.

MIT 207 установок ★ 274 обновлён 2026-10-30

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add curiositech/some_claude_skills --skill automatic-stateful-prompt-improver -a claude-code
Открыть на GitHub

Что делает automatic-stateful-prompt-improver

Скилл автоматически отслеживает сложные задачи, генерацию кода, аналитические запросы и шаблоны инструкций. Он перехватывает исходный текст и передаёт его в инструмент optimize_prompt с лимитом от 3 до 20 итераций. Простые реплики вроде приветствий или команды терминала npm install он пропускает без изменений.

После генерации ответа запускается оценка результата. Скилл вызывает record_feedback, передавая оценку качества от 0.0 до 1.0 для сохранения в векторном индексе. Перебор вариантов завершается досрочно, если прирост качества за 3 итерации падает ниже 1% или метрика валидации превышает 0.95.

Для работы обязательно нужен запущенный MCP-сервер prompt-learning. Без него инструменты оптимизации и сохранения истории недоступны, поэтому вызовы завершатся системной ошибкой.

Какие задачи решает

  • Переформулировать нечёткие инструкции для многошаговых задач
  • Накапливать базу удачных промптов с векторным поиском
  • Передавать оценки качества от 0.0 до 1.0 в базу MCP-сервера
  • Останавливать цикл оптимизации при падении прироста метрик ниже 1%

Примеры запросов агенту

  • Улучши этот промпт для генерации финансового отчёта
  • Оптимизируй задачу перед запуском сложного пайплайна
  • Сформулируй системную инструкцию для парсинга кодовой базы

Как установить automatic-stateful-prompt-improver

1Через Skills CLI (Vercel)

npx skills add curiositech/some_claude_skills --skill automatic-stateful-prompt-improver -a claude-code

2Вручную: положить файлы

~/.claude/skills/automatic-stateful-prompt-improver/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/automatic-stateful-prompt-improver/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы об automatic-stateful-prompt-improver

Как установить automatic-stateful-prompt-improver в Claude Code?

Выполните в терминале команду npx skills add curiositech/some_claude_skills --skill automatic-stateful-prompt-improver -a claude-code.

Какие запросы скилл пропускает без обработки?

Он игнорирует базовые вопросы с простыми определениями, прямые консольные команды, приветствия и файловые операции без логического анализа.

Что необходимо для запуска скилла?

Требуется настроенный MCP-сервер prompt-learning. Скилл вызывает его методы для тюнинга текста, сбора аналитики и сохранения оценок.

Исходный текст

SKILL.md · MIT
---
name: automatic-stateful-prompt-improver
description: Automatically intercepts and optimizes prompts using the prompt-learning MCP server. Learns from performance over time via embedding-indexed history. Uses APE, OPRO, DSPy patterns. Activate
  on "optimize prompt", "improve this prompt", "prompt engineering", or ANY complex task request. Requires prompt-learning MCP server. NOT for simple questions (just answer them), NOT for direct commands
  (just execute them), NOT for conversational responses (no optimization needed).
allowed-tools: mcp__prompt-learning__optimize_prompt,mcp__prompt-learning__retrieve_prompts,mcp__prompt-learning__record_feedback,mcp__prompt-learning__suggest_improvements,mcp__prompt-learning__get_analytics,mcp__SequentialThinking__sequentialthinking
metadata:
  category: AI & Machine Learning
  pairs-with:
  - skill: skill-coach
    reason: Optimize skill prompts systematically
  - skill: skill-logger
    reason: Track prompt performance over time
  tags:
  - prompts
  - optimization
  - learning
  - embeddings
  - dspy
---

# Automatic Stateful Prompt Improver

## MANDATORY AUTOMATIC BEHAVIOR

**When this skill is active, I MUST follow these rules:**

### Auto-Optimization Triggers

I AUTOMATICALLY call `mcp__prompt-learning__optimize_prompt` BEFORE responding when:

1. **Complex task** (multi-step, requires reasoning)
2. **Technical output** (code, analysis, structured data)
3. **Reusable content** (system prompts, templates, instructions)
4. **Explicit request** ("improve", "better", "optimize")
5. **Ambiguous requirements** (underspecified, multiple interpretations)
6. **Precision-critical** (code, legal, medical, financial)

### Auto-Optimization Process

```
1. INTERCEPT the user's request
2. CALL: mcp__prompt-learning__optimize_prompt
   - prompt: [user's original request]
   - domain: [inferred domain]
   - max_iterations: [3-20 based on complexity]
3. RECEIVE: optimized prompt + improvement details
4. INFORM user briefly: "I've refined your request for [reason]"
5. PROCEED with the OPTIMIZED version
```

### Do NOT Optimize

- Simple questions ("what is X?")
- Direct commands ("run npm install")
- Conversational responses ("hello", "thanks")
- File operations without reasoning
- Already-optimized prompts

## Learning Loop (Post-Response)

After completing ANY significant task:

```
1. ASSESS: Did the response achieve the goal?
2. CALL: mcp__prompt-learning__record_feedback
   - prompt_id: [from optimization response]
   - success: [true/false]
   - quality_score: [0.0-1.0]
3. This enables future retrievals to learn from outcomes
```

## Quick Reference

### Iteration Decision

| Factor | Low (3-5) | Medium (5-10) | High (10-20) |
|--------|-----------|---------------|--------------|
| Complexity | Simple | Multi-step | Agent/pipeline |
| Ambiguity | Clear | Some | Underspecified |
| Domain | Known | Moderate | Novel |
| Stakes | Low | Moderate | Critical |

### Convergence (When to Stop)

- Improvement < 1% for 3 iterations
- User satisfied
- Token budget exhausted
- 20 iterations reached
- Validation score > 0.95

### Performance Expectations

| Scenario | Improvement | Iterations |
|----------|-------------|------------|
| Simple task | 10-20% | 3-5 |
| Complex reasoning | 20-40% | 10-15 |
| Agent/pipeline | 30-50% | 15-20 |
| With history | +10-15% bonus | Varies |

## Anti-Patterns

### Over-Optimization

| What it looks like | Why it's wrong |
|--------------------|----------------|
| Prompt becomes overly complex with many constraints | Causes brittleness, model confusion, token waste |
| **Instead**: Apply Occam's Razor - simplest sufficient prompt wins |

### Template Obsession

| What it looks like | Why it's wrong |
|--------------------|----------------|
| Focusing on templates rather than task understanding | Templates don't generalize; understanding does |
| **Instead**: Focus on WHAT the task requires, not HOW to format it |

### Iteration Without Measurement

| What it looks like | Why it's wrong |
|--------------------|----------------|
| Multiple rewrites without tracking improvements | Can't know if changes help without metrics |
| **Instead**: Always define success criteria before optimizing |

### Ignoring Model Capabilities

| What it looks like | Why it's wrong |
|--------------------|----------------|
| Assumes model can't do things it can | Over-scaffolding wastes tokens |
| **Instead**: Test capabilities before heavy prompting |

## Reference Files

Load for detailed implementations:

| File | Contents |
|------|----------|
| `references/optimization-techniques.md` | APE, OPRO, CoT, instruction rewriting, constraint engineering |
| `references/learning-architecture.md` | Warm start, embedding retrieval, MCP setup, drift detection |
| `references/iteration-strategy.md` | Decision matrices, complexity scoring, convergence algorithms |

---

**Goal**: Simplest prompt that achieves the outcome reliably. Optimize for clarity, specificity, and measurable improvement.

© curiositech · MIT · curiositech/some_claude_skills

Похожие скиллы

Все скиллы по теме «ИИ и ML» →
prompt-engineering-dspy Orchestra Research Скилл prompt-engineering-dspy для Claude Code помогает собирать приложения на языковых моделях с DSPy и оптимизировать промпты по данным. Подключается к задачам с RAG, агентами и классификаторами. CX Codex +1 147установок dspy-better-together OmidZamani Скилл dspy-better-together помогает собрать цепочку из промпт- и весовых оптимизаторов DSPy, сравнить промежуточные программы и вернуть лучшую. CX Codex +1 ★ 125звёзд репо dspy-optimize-anything OmidZamani Скилл dspy-optimize-anything настраивает эволюционную оптимизацию текстовых артефактов через библиотеку GEPA. Подходит для улучшения кода, промптов, архитектур агентов и SVG с опорой на диагностику. CX Codex +1 ★ 125звёзд репо prompt-improver happycapy-ai Скилл prompt-improver для Claude Code уточняет расплывчатые промпты и превращает их в конкретные инструкции. Перерабатывает запросы для кода, текста или генерации изображений. CX Codex +1 ★ 138звёзд репо llm-application-dev MoizIbnYousaf Скилл llm-application-dev для работы с большими языковыми моделями на Claude Code, Codex, Cursor и других платформах. CX Codex +1 467установок reflect John Rogers (@johnrogers) Команда reflect для Claude Code разбирает историю чата и настройки, а затем предлагает правки инструкций, команд и конфигурации. CX Codex +1 ★ 233звёзд репо

Из того же набора180

Весь набор →
test-automation-expert Скилл test-automation-expert для Claude Code помогает выстроить стратегию тестирования, определить покрытие, выбрать фреймворк и отладить флаки-тесты. CX Codex +1 212установок very-long-text-summarization Скилл very-long-text-summarization для обработки книг, справочников и больших кодбаз через многоуровневое извлечение знаний. Выдаёт карту знаний, а не просто сжатый пересказ. CX Codex +1 210установок rest-api-design Скилл rest-api-design помогает проектировать REST-маршруты с проверкой данных через Zod и документацией OpenAPI. Пригодится при создании API для Next.js App Router. CX Codex +1 209установок modern-auth-2026 Скилл modern-auth-2026 добавляет в агент сценарии беспарольного входа: passkeys через WebAuthn, OAuth от Apple и Google, а также magic links и синхронизацию учётных записей. CX Codex +1 208установок skill-coach Скилл skill-coach помогает создавать и проверять Agent Skills: находит анти-паттерны, уточняет активацию и раскладывает знания по уровням. CX Codex +1 207установок maximalist-wall-decorator Скилл maximalist-wall-decorator для Claude Code подбирает смелые палитры, составляет композицию галерейной стены и планирует ручную роспись интерьера. Оформляет стены в эстетике «больше значит больше». CX Codex +1 206установок ai-engineer Скилл ai-engineer, который направляет агента при сборке LLM-приложений: RAG-конвейеры, чат-боты, мультиагентные системы. Подключается как инструкция и задаёт архитектурные шаблоны. CX Codex +1 206установок research-analyst Скилл research-analyst для Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI и OpenCode — проводит исследование рынка, конкурентный анализ и оценку методологий. Выдаёт рекомендации с обоснованием и цитатами источников. CX Codex +1 206установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой