prompt-engineering

SKILL.md

Design and optimize prompts for large language models (LLMs) to achieve reliable, high-quality outputs across diverse tasks.

This skill provides systematic techniques for crafting prompts that consistently elicit desired behaviors from LLMs. Rather than trial-and-error prompt iteration, apply proven patterns (zero-shot, few-shot, chain-of-thought, structured outputs) to improve accuracy, reduce costs, and build production-ready LLM applications. Covers multi-model deployment (OpenAI GPT, Anthropic Claude, Google Gemini, open-source mode...

| Goal | Technique | Token Cost | Reliability | Use Case |

Concevoir des invites LLM efficaces à l'aide de techniques de sortie zéro, de quelques tirs, de chaîne de pensée et de sortie structurée. À utiliser lors de la création d'applications LLM nécessitant des sorties fiables, de la mise en œuvre de systèmes RAG, de la création d'agents IA ou de l'optimisation de la qualité et des coûts rapides. Couvre les modèles OpenAI, Anthropic et open source avec des exemples multilingues (Python/TypeScript). Source : ancoleman/ai-design-components.

Voir l'original