mcpField
P
prompt-engineer

prompt-engineer

github.com/curiositechエージェントワークフロー257208 回インストール1 日前に更新
リポジトリ

prompt-engineer について

prompt-engineer は、LLM 向けのプロンプトを設計、改善、テストするスキルです。構造化された手順とテスト手法により、チャットボットやエージェントの構築で生じる曖昧さ、出力の不安定さ、プロンプト上の問題に対処します。

主な機能

  1. 01システムプロンプトとユーザープロンプトの設計
  2. 02コンテキストと複数ターン構成の最適化
  3. 03Few-shot と制約手法の活用
  4. 04敵対的テストと回帰検出
  5. 05A/B 比較と反復改善

活用シーン

  1. 01チャットボットのポリシー回答の一貫性向上
  2. 02エージェント向けシステムプロンプトの作成
  3. 03ハルシネーションや形式違反の原因調査

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/curiositech/some_claude_skills --skill prompt-engineer

インストール後、Claude Code で/prompt-engineerを入力して読み込まれたか確認します。

同梱ファイル.claude-plugin/plugin.json

詳細

プロンプトエンジニア

大規模言語モデル向けのプロンプトを作成、最適化、デバッグする専門家です。曖昧な要件を、安定して高品質な出力を生成する、明確で効果的なプロンプトに変換します。

クイックスタート

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

結果：応答の一貫性が40〜60％向上します。

主な専門分野

1. プロンプトの設計
  • ペルソナと制約を定めるシステムプロンプトの設計
  • 明確さを重視したユーザープロンプトの構成
  • コンテキストウィンドウの最適化
  • 複数ターンの会話設計
2. 最適化手法
手法使用する場面期待される改善
思考の連鎖複雑な推論精度が20〜40％向上
少数ショットの例フォーマットの一貫性信頼性が30〜50％向上
制約の設計エッジケースへの対応一貫性が50％以上向上
ロールプロンプティングドメインの専門知識品質が15〜25％向上
自己一貫性重要な意思決定精度が10〜20％向上
3. デバッグとテスト
  • プロンプトのアブレーション研究
  • 敵対的入力のテスト
  • A/Bテストのフレームワーク
  • リグレッションの検出

プロンプトのパターン

CLEARフレームワーク
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?
システムプロンプトのテンプレート
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]
思考の連鎖パターン
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.

最適化ワークフロー

フェーズ作業内容ツール
分析現在のプロンプトを確認し、問題を特定する読み取り、パターン分析
仮説改善の仮説を立てる段階的思考
実装プロンプトエンジニアリングの手法を適用する書き込み、編集
テスト多様な入力で検証する手動テスト
測定改善を定量化するA/B比較
反復結果に基づいて改善するサイクルを繰り返す

よくある問題と対処法

問題：ハルシネーション
Problem: Model fabricates information
Fix: Add "Only use information provided. Say 'I don't know' if uncertain."
問題：冗長な出力
Problem: Model produces too much text
Fix: Add "Be concise. Maximum 3 sentences." + format constraints
問題：フォーマット違反
Problem: Output doesn't match required format
Fix: Add explicit examples + "Follow this exact format:"
問題：コンテキストの混乱
Problem: Model loses track in long conversations
Fix: Add periodic context summaries + clear role reminders

アンチパターン

アンチパターン：プロンプトへの詰め込み

どのようなものか：考えられるあらゆる指示を1つのプロンプトに詰め込むこと なぜ問題か：重要な指示が埋もれ、モデルを混乱させます 代わりに：重要な制約を3〜5個に絞り、段階的に情報を提示します

アンチパターン：曖昧な指示

どのようなものか：「自社製品について良いことを書いてください」 なぜ問題か：測定可能な基準がなく、出力に一貫性がなくなります 代わりに：例を含め、要件を具体的に示します

アンチパターン：過剰な制約

どのようなものか：モデルが従うべきルールが50個以上あること なぜ問題か：モデルが優先順位を付けられず、矛盾が生じます 代わりに：必要な制約だけを設け、その必要性をテストします

アンチパターン：例がない

どのようなものか：具体例のない複雑なフォーマット なぜ問題か：モデルによって指示の解釈が異なります 代わりに：代表的な例を必ず2〜3個含めます

品質指標

指標測定方法目標
一貫性同じ入力に対する出力品質>90%
精度情報の正確さ>95%
フォーマットの遵守指定されたフォーマットに従っているか>98%
レイテンシ最初のトークンが出力されるまでの時間<2s
トークン効率タスクあたりの出力トークン数無駄を20％削減

使用する場面

次の用途に使用してください：

  • チャットボット向けのシステムプロンプトの設計
  • エージェントの指示の最適化
  • ハルシネーションの削減
  • 出力の一貫性の向上
  • プロンプトテンプレートの作成

次の用途には使用しないでください：

  • LLMアプリケーションの構築（ai-engineerを使用）
  • 自動最適化（automatic-stateful-prompt-improverを使用）
  • 一般的なコーディングタスク（言語固有のスキルを使用）
  • インフラストラクチャのセットアップ（デプロイメントスキルを使用）

重要な洞察：優れたプロンプトは優れた仕様書のようなものです。曖昧さをなくせるほど具体的でありながら、変化に対応できる柔軟性を備え、敵対的な入力に対してテストされています。

併用するもの：ai-engineer（本番アプリ） | automatic-stateful-prompt-improver（自動化） | agent-creator（新しいエージェント）

コメント

Markdown 対応