К основному содержанию
скилл CX Codex

prompt-engineer · curiositech — скилл для Claude Code: оптимизация промптов для LLM

Скилл prompt-engineer для проектирования и отладки промптов. Помогает избавиться от галлюцинаций, улучшить консистентность ответов и упорядочить работу агентов через систематическую оптимизацию.

MIT 217 установок ★ 274 обновлён 2026-09-06

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

Что делает prompt-engineer

Анализирует текущие промпты, находит в них расплывчатость и противоречия, затем применяет проверенные техники: chain-of-thought, few-shot примеры, constraint engineering, role prompting. Каждая техника решает конкретную проблему — например, few-shot примеры дают 30–50% надёжности в форматировании, а constraint engineering справляется с граничными случаями на 50%+ лучше.

Внутри работает с инструментами чтения файлов, редактирования промптов и последовательного анализа через mcp__SequentialThinking__sequentialthinking. Предлагает CLEAR-фреймворк: контекст, ограничения, примеры, действие, проверка. Помогает отловить антипаттерны — забивание промпта сотней правил, отсутствие примеров, чрезмерное ограничение, которое создаёт внутренние противоречия.

Хорош для системных промптов чатботов, инструкций агентов, шаблонов, которые должны работать одинаково на разных входах. Не заменяет разработку LLM-приложений (для этого есть ai-engineer) и автоматическую оптимизацию (для этого есть automatic-stateful-prompt-improver).

Какие задачи решает

  • избавить модель от галлюцинаций и выдумок
  • сделать ответы по одному вопросу более консистентными
  • привести вывод к нужному формату без ошибок
  • упорядочить инструкции для агента или чатбота
  • отловить и исправить неясности в текущих промптах

Примеры запросов агенту

  • Наш чатбот по возвратам даёт противоречивые ответы. Проанализируй текущий промпт и предложи улучшения.
  • Напиши system prompt для агента, который парсит счета. Используй CLEAR-фреймворк и добавь примеры.
  • Мой вывод не совпадает с требуемым JSON. Переработай инструкцию с few-shot примерами и constraint engineering.

Как установить prompt-engineer

1Через Skills CLI (Vercel)

npx skills add curiositech/some_claude_skills --skill prompt-engineer -a claude-code

2Вручную: положить файлы

~/.claude/skills/prompt-engineer/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/prompt-engineer/

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

Вопросы о prompt-engineer

Как установить prompt-engineer в Claude Code?

Выполни команду npx skills add curiositech/some_claude_skills --skill prompt-engineer -a claude-code, затем открой файл ~/.claude/skills/prompt-engineer/SKILL.md для проверки.

Что делает prompt-engineer?

Проектирует, оптимизирует и отлаживает промпты для LLM. Анализирует текущие инструкции, применяет техники вроде chain-of-thought и few-shot примеров, тестирует на противоречивых входах и предлагает метрики улучшения.

Когда использовать prompt-engineer, а когда ai-engineer?

prompt-engineer — для уточнения и оптимизации промптов, системных инструкций, шаблонов. ai-engineer — для построения полного LLM-приложения в production. Часто они работают вместе: сначала инженер промптов создаёт инструкции, затем ai-engineer встраивает их в приложение.

Исходный текст

SKILL.md · MIT
---
name: prompt-engineer
description: Expert prompt optimization for LLMs and AI systems. Use PROACTIVELY when building AI features, improving agent performance, or crafting system prompts. Masters prompt patterns and techniques.
allowed-tools: Read,Write,Edit,Glob,Grep,mcp__SequentialThinking__sequentialthinking
metadata:
  category: AI & Machine Learning
  pairs-with:
  - skill: ai-engineer
    reason: Apply optimized prompts in production LLM applications
  - skill: automatic-stateful-prompt-improver
    reason: Automated prompt optimization with learning
  tags:
  - prompts
  - llm
  - optimization
  - ai
  - system-design
---

# Prompt Engineer

Expert in crafting, optimizing, and debugging prompts for large language models. Transform vague requirements into precise, effective prompts that produce consistent, high-quality outputs.

## Quick Start

```
User: "My chatbot gives inconsistent answers about our refund policy"

Prompt Engineer:
1. Analyze current prompt structure
2. Identify ambiguity and edge cases
3. Apply constraint engineering
4. Add few-shot examples
5. Test with adversarial inputs
6. Measure improvement
```

**Result**: 40-60% improvement in response consistency

## Core Competencies

### 1. Prompt Architecture
- System prompt design for persona and constraints
- User prompt structure for clarity
- Context window optimization
- Multi-turn conversation design

### 2. Optimization Techniques
| Technique | When to Use | Expected Improvement |
|-----------|-------------|---------------------|
| **Chain-of-Thought** | Complex reasoning | 20-40% accuracy |
| **Few-Shot Examples** | Format consistency | 30-50% reliability |
| **Constraint Engineering** | Edge case handling | 50%+ consistency |
| **Role Prompting** | Domain expertise | 15-25% quality |
| **Self-Consistency** | Critical decisions | 10-20% accuracy |

### 3. Debugging & Testing
- Prompt ablation studies
- Adversarial input testing
- A/B testing frameworks
- Regression detection

## Prompt Patterns

### The CLEAR Framework

```
C - Context: What background does the model need?
L - Limits: What constraints apply?
E - Examples: What does good output look like?
A - Action: What specific task to perform?
R - Review: How to verify correctness?
```

### System Prompt Template

```markdown
You are [ROLE] with expertise in [DOMAIN].

## Your Task
[CLEAR, SPECIFIC INSTRUCTION]

## Constraints
- [CONSTRAINT 1]
- [CONSTRAINT 2]

## Output Format
[EXACT FORMAT SPECIFICATION]

## Examples
Input: [EXAMPLE INPUT]
Output: [EXAMPLE OUTPUT]
```

### Chain-of-Thought Pattern

```markdown
Think through this step-by-step:

1. First, identify [ASPECT 1]
2. Then, analyze [ASPECT 2]
3. Consider [EDGE CASES]
4. Finally, synthesize into [OUTPUT]

Show your reasoning before the final answer.
```

## Optimization Workflow

| Phase | Activities | Tools |
|-------|------------|-------|
| **Analyze** | Review current prompts, identify issues | Read, pattern analysis |
| **Hypothesize** | Form improvement hypotheses | Sequential thinking |
| **Implement** | Apply prompt engineering techniques | Write, Edit |
| **Test** | Validate with diverse inputs | Manual testing |
| **Measure** | Quantify improvement | A/B comparison |
| **Iterate** | Refine based on results | Repeat cycle |

## Common Issues & Fixes

### Issue: Hallucinations
```
Problem: Model fabricates information
Fix: Add "Only use information provided. Say 'I don't know' if uncertain."
```

### Issue: Verbose Output
```
Problem: Model produces too much text
Fix: Add "Be concise. Maximum 3 sentences." + format constraints
```

### Issue: Format Violations
```
Problem: Output doesn't match required format
Fix: Add explicit examples + "Follow this exact format:"
```

### Issue: Context Confusion
```
Problem: Model loses track in long conversations
Fix: Add periodic context summaries + clear role reminders
```

## Anti-Patterns

### Anti-Pattern: Prompt Stuffing
**What it looks like**: Cramming every possible instruction into one prompt
**Why wrong**: Dilutes important instructions, confuses model
**Instead**: Prioritize 3-5 key constraints, use progressive disclosure

### Anti-Pattern: Vague Instructions
**What it looks like**: "Write something good about our product"
**Why wrong**: No measurable criteria, inconsistent outputs
**Instead**: Specific requirements with examples

### Anti-Pattern: Over-Constraining
**What it looks like**: 50+ rules the model must follow
**Why wrong**: Model can't prioritize, contradictions emerge
**Instead**: Essential constraints only, test for necessity

### Anti-Pattern: No Examples
**What it looks like**: Complex format with no concrete examples
**Why wrong**: Model interprets instructions differently
**Instead**: Always include 2-3 representative examples

## Quality Metrics

| Metric | How to Measure | Target |
|--------|----------------|--------|
| **Consistency** | Same input, same output quality | >90% |
| **Accuracy** | Correct information | >95% |
| **Format Compliance** | Follows specified format | >98% |
| **Latency** | Time to first token | <2s |
| **Token Efficiency** | Output tokens per task | -20% waste |

## When to Use

**Use for:**
- Designing system prompts for chatbots
- Optimizing agent instructions
- Reducing hallucinations
- Improving output consistency
- Creating prompt templates

**Do NOT use for:**
- Building LLM applications (use ai-engineer)
- Automated optimization (use automatic-stateful-prompt-improver)
- General coding tasks (use language-specific skills)
- Infrastructure setup (use deployment skills)

---

**Core insight**: Great prompts are like great specifications—specific enough to eliminate ambiguity, flexible enough to handle variation, and tested against adversarial inputs.

**Use with**: ai-engineer (production apps) | automatic-stateful-prompt-improver (automation) | agent-creator (new agents)

© curiositech · MIT · curiositech/some_claude_skills

Похожие скиллы

Все скиллы по теме «ИИ и ML» →

Сначала — prompt-engineer от других авторов.

prompt-engineer https://github.com/Jeffallan Скилл prompt-engineer для Claude Code проектирует, оптимизирует и тестирует системные промпты для языковых моделей. Помогает внедрять few-shot примеры, цепочки рассуждений и валидировать схемы JSON. CX Codex +1 6 100установок prompt-engineer sickn33 Скилл prompt-engineer для Claude Code и Codex. Перерабатывает сырые запросы в структурированные промпты с помощью методологий RTF, RISEN или Chain of Thought. Разбирает неясные задачи и добавляет контекст. CX Codex +1 1 600установок prompt-engineer davila7 Скилл prompt-engineer структурирует системные промпты, настраивает примеры few-shot и цепочки рассуждений для приложений на базе LLM. Пригодится при составлении надёжных инструкций для моделей. CX Codex +1 591установок ai-engineer sickn33 Скилл ai-engineer для Claude Code и других агентских CLI: задаёт агенту роль LLM-инженера и ведёт от постановки метрик до RAG-пайплайна, агентов и продакшн-обвязки. CX Codex +1 1 300установок anthropic-prompt-engineer jamesrochabrun Скилл anthropic-prompt-engineer помогает проектировать новые промпты с нуля и улучшать готовые инструкции под модели Claude с помощью официальных приёмов Anthropic. CX Codex +1 233установок 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 tao-run-automl NVIDIA Corporation Скилл tao-run-automl настраивает AutoML и подбор гиперпараметров для моделей NVIDIA TAO. Он пригодится, когда нужно оптимизировать обучение или другое поддерживаемое действие модели. CX Codex +1 1 600установок ml-training-recipes dailycafi Скилл ml-training-recipes содержит практические шаблоны обучения моделей на PyTorch: от настройки циклов и оптимизаторов Muon и AdamW до смешанной точности и устранения OOM. CX Codex +1 1 100установок cost-latency-optimizer patricio0312rev Скилл cost-latency-optimizer для Claude Code анализирует затраты и скорость ответов нейросетей. Инструмент внедряет кеширование, пакетную обработку и выбор моделей под конкретные задачи. CX Codex +1 336установок

Из того же набора180

Весь набор →
technical-writer Скилл technical-writer помогает оформлять документацию для разработчиков по методологии Diátaxis: API-справочники, ADR, ранбуки и README с проверенными примерами кода. CX Codex +1 221установок reactive-dashboard-performance Скилл reactive-dashboard-performance настраивает быстрый рендеринг дашбордов на React и ускоряет асинхронные тесты. Помогает внедрить скелетоны, настроить React Query и убрать таймауты в тестах. CX Codex +1 220установок devops-automator Скилл devops-automator для Claude Code проектирует CI/CD-pipeline, пишет Terraform и Kubernetes-манифесты, настраивает GitOps. Помогает строить инфраструктуру и автоматизировать развёртывание. CX Codex +1 219установок bot-developer Скилл bot-developer для Claude Code помогает проектировать ботов для Discord, Telegram и Slack — от обработки событий до ограничений запросов и модерации. Описывает чат-ботов с диалогами в несколько ходов. CX Codex +1 218установок team-builder Скилл team-builder проектирует структуру команды по принципам организационной психологии. Если нужной роли нет в библиотеке скиллов, сразу создаёт её. CX Codex +1 216установок react-performance-optimizer Скилл react-performance-optimizer находит узкие места в рендере React-приложений для достижения 60fps. Решает проблемы с зависанием списков и раздутыми бандлами. CX Codex +1 215установок digital-estate-planner Скилл digital-estate-planner для Claude Code планирует цифровое наследство: учитывает аккаунты, пароли и криптоактивы, готовит инструкции доверенным лицам. Помогает подготовить доступ к данным на случай смерти или недееспособности. CX Codex +1 215установок data-pipeline-engineer Скилл data-pipeline-engineer проектирует пайплайны данных, слои Medallion, DAG для Airflow и модели dbt. Пригодится при настройке пакетной или потоковой обработки данных. CX Codex +1 215установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой