de openclaw-master-skills1,997
Une collection pratique de techniques et de modèles d'ingénierie de prompt pour construire des prompts LLM fiables et contrôlables : CoT, few-shot, sorties structurées, modèles.
Cette compétence est un guide complet de modèles pour l'ingénierie de prompt. Elle documente des techniques concrètes — sélection few-shot, chaîne de pensée (chain-of-thought), sorties JSON structurées, systèmes de modèles, divulgation progressive et récupération d'erreurs — avec des exemples de code et des meilleures pratiques pour l'utilisation en production. Elle est conçue pour rendre les prompts plus fiables, efficaces et faciles à maintenir.
Utilisez cette compétence lors de la conception ou du débogage de prompts pour des systèmes LLM de production : construction de pipelines de sortie structurée, réduction des hallucinations, mise en œuvre de l'auto-vérification ou construction de modèles de prompt réutilisables. Utile pour les ingénieurs, les ingénieurs ML et les auteurs de prompts.
Modèles agnostiques à l'agent qui fonctionnent avec Claude, Anthropic, OpenAI, les chaînes basées sur LangChain et d'autres runtimes LLM supportant les prompts système et les modes de sortie structurée.
Une compétence complète sur les modèles d'ingénierie de prompts couvrant le CoT, le few-shot, les sorties structurées, les modèles et la conception de prompts système. Le script groupé optimize-prompt.py a échoué à l'importation en raison de la dépendance manquante numpy. Le SKILL.md est bien écrit avec de bons exemples mais s'apparente davantage à un contenu de référence qu'à une automatisation exploitable. Le script utilise un ThreadPoolExecutor sans nettoyage approprié dans le chemin optimize() et manque d'indices de type sur certaines méthodes.
numpyAucune préoccupation de sécurité — pas d'appels réseau vers des hôtes inconnus, pas de gestion d'identifiants, pas de commandes destructrices. Le script est un outil local d'optimisation de prompts utilisant un client LLM pluggable. Déductions de sécurité : -12 pour l'entrée utilisateur non citée/format-string dans prompt_template.format(**test_case.input) qui pourrait provoquer des plantages KeyError/AttributeError mais pas d'injection dans ce contexte. La qualité du code est correcte mais pas exceptionnelle : structure bonne, noms de variables clairs, mais l'absence de numpy est un blocage majeur et la métrique de précision est un simple chevauchement de mots. Architecture : frontmatter présent, SKILL.md complet mais monolithique — pas de répertoire references/, scripts/ séparés mais un seul script. Utilité : l'ingénierie de prompts est un sujet largement pertinent mais cette compétence est plus un guide de référence qu'un outil d'automatisation — le script est une démo, pas prêt pour la production.
