搜索「Prompt Engineering」的结果

com.dotprompts/dotprompts

.prompts，你在各处需要的所有 AI 提示词的归处。

io.github.AungMyoKyaw/betterprompt-mcp

用于 AI 增强的提示词工程与请求转换的 MCP 服务器。

skillsmp.stas00-ml-engineering-skill-md

端到端训练与运维大规模 LLM/VLM/多模态模型的实战方法论与具体配方——选择并基准测试加速器、存储与网络；SLURM/Kubernetes 编排；最大化训练吞吐并在显存内装下模型；诊断并撑过训练不稳定、NaN/Inf 与硬件/作业故障；检查点与容错；推理性能与显存；调试多节点/多卡挂起；以及编写/运行测试。当用户在训练或微调大模型、遭遇低 TFLOPS/MFU、OOM、数据加载缓慢、损失尖峰/发散、NCCL/InfiniBand 或多节点挂起、节点/GPU 故障、检查点或抢占问题、存储/网络瓶颈，或需要挑选 GPU/云/文件系统，或估算推理延迟/吞吐时使用。提炼自《Machine Learning Engineering》，最新版本见 https://github.com/stas00/ml-engineering。

io.github.PostHog/posthog/turning-engineering-analytics-into-insights

把工程分析（PR / CI）数据转化为已保存的 PostHog insight、仪表盘与订阅，并说明如何用 SQL 直接查询产品数据。涵盖经 engineering-analytics-sources 发现按团队的 GitHub 仓库表、在 HogQL 中复刻精心的列语义、在涉及产品逻辑时读取暴露的 engineering_analytics_* 仓库视图（CI 成本、指纹化失败行、提交归属）、用 insight-create 保存查询，以及用 subscriptions-create 安排投递。当被要求“把这个存成 insight”“把 CI 健康度/合并时长做成仪表盘”“每周给我邮件发 PR 吞吐量”“画 CI 成本图”“跟踪首次评审时长”“订阅这些数字”“对 CI 成功率告警”或询问“工程分析读取哪些数据/表/视图”时使用。临时性 CI 与合并问题用 diagnosing-ci-and-merge-bottlenecks；调查某个具体 CI 失败用 investigating-ci-failures。

io.github.addyosmani/agent-skills/frontend-ui-engineering

构建生产级、可访问、响应式的用户界面。在构建或修改界面与页面、创建组件、实现布局、满足 WCAG 可访问性要求、管理状态时使用，或当产出需要达到生产质感而非 AI 生成感时使用。

skillsmp.nidhinjs-prompt-master-skill-md

为 AI 工具生成优化后的提示词。仅在用户明确要求为某个具体 AI 工具（LLM、Cursor、Midjourney、图像 AI、视频 AI、编码 agent 等）撰写、修复、改进或改写提示词时激活。不响应一般对话、编码任务、文档撰写或其他非提示词工程工作。

io.github.affaan-m/ECC/ai-first-engineering

适用于 AI 代理产出大部分实现成果的团队的工程运营模型。在为大量由代理编写的代码库设定团队流程、评审门槛或归属规则时使用。

io.github.affaan-m/ECC/agentic-engineering

以 Agentic 工程师的方式开展工作：评测优先执行、任务拆解与成本感知的模型路由。当需要规划或执行交由 Agent 端到端完成的工程工作时使用。

io.github.affaan-m/ECC/prompt-optimizer

分析原始提示词，识别意图与缺口，匹配 ECC 组件（skill/命令/代理/hook），输出可直接粘贴的优化后提示词。只提供建议——绝不亲自执行任务。触发时机：用户说“optimize prompt”“improve my prompt”“how to write a prompt for”“help me prompt”“rewrite this prompt”，或明确要求提升提示词质量。中文等价说法同样触发：“优化prompt”“改进prompt”“怎么写prompt”“帮我优化这个指令”。不触发时机：用户希望直接执行任务，或说“just do it”/“直接做”。当用户说“优化代码”“优化性能”“optimize performance”“optimize this code”时不触发——那些是重构/性能任务，不是提示词优化。

io.github.mukul975/Anthropic-Cybersecurity-Skills/reverse-engineering-android-malware-with-jadx

使用 JADX 反编译器逆向恶意 Android APK：阅读 Java/Kotlin 源码、检查清单权限、receiver、service 与本地库，识别数据窃取、C2 通信、提权或覆盖层攻击行为。适用于分析疑似 Android 银行木马、间谍软件、短信窃取器或其他被标记的 APK，或一般性的移动恶意软件与 Android 威胁调查。

io.github.sickn33/antigravity-awesome-skills/frontend-ui-engineering

构建生产级 UI。在创建或修改用户界面、构建组件、实现布局、管理状态时使用，或当产出需要真正达到生产质量而非 AI 生成感时使用。

io.github.microsoft/hve-core/prompt-refactor

依据明确的需求，通过完整的 prompt-builder 闭环重构既有的提示词工件。

io.github.mukul975/Anthropic-Cybersecurity-Skills/testing-prompt-injection-in-rag-pipelines

通过投毒的检索上下文与嵌入操纵，探测 RAG 应用是否存在提示注入。

io.github.mukul975/Anthropic-Cybersecurity-Skills/testing-for-system-prompt-leakage

提取并防御系统提示词及其内嵌密钥与路由逻辑。

io.github.alirezarezvani/claude-skills/chaos-engineering

用于规划、执行或从混沌工程实验中学习。触发词包括「chaos experiment」「fault injection」「gameday」「resilience test」「blast radius」「steady state」「abort criteria」「Chaos Toolkit」「Chaos Mesh」「Litmus」「Gremlin」「AWS FIS」，或任何刻意故障注入的问题。附带实验设计器、爆炸半径计算器与复盘生成器（均为 stdlib Python）、4 份关于混沌原则+实验设计+攻击分类法+工具生态的参考文档，以及 /chaos-experiment 斜杠命令。可与 feature-flags-architect（将 kill switch 作为中止触发器）及 kubernetes-operator（常见混沌目标）组合。

io.github.alirezarezvani/claude-skills/engineering-skills

工程团队技能包的索引，支持 Claude Code、Codex、Gemini CLI、Cursor、OpenClaw 及另外 6 种工具。涵盖架构、前端、后端、QA、DevOps、安全、AI/ML、数据工程、Playwright、Stripe、AWS、MS365（仅 stdlib Python 工具）。用于浏览或选择工程团队角色技能——只加载所需的单个专家 SKILL.md，切勿批量加载整个技能包。

io.github.alirezarezvani/claude-skills/engineering-advanced-skills

为 Claude Code、Codex、Gemini CLI、Cursor、OpenClaw 提供 37 个高级工程 agent 技能的索引。用于浏览或选择 POWERFUL 层级的工程技能：agent 设计、RAG、MCP 服务器、CI/CD、数据库设计、可观测性、安全审计、changelog/release 自动化、可靠性（SLO/chaos/flags/operators）、平台运维。

io.github.xalgord/xalgorix/testing-llm-prompt-injection-and-jailbreaks

在授权渗透测试中，使用结构化 payload 家族与可靠的确认信号，检测 LLM 应用、聊天机器人与 AI 代理的直接/间接提示注入、越狱、系统提示词泄露及工具/代理滥用。

io.github.openai/plugins/typescript-data-visualization-engineering

用 TypeScript 构建带类型的可视化。当用户需要 TypeScript 可视化代码、类型化数据模型、浏览器可视化组件、类 UML 图模型、交互式图或架构图契约、滚动驱动场景契约、库选型指导，或一套超越 React/Next 特定问题的可维护可视化架构时使用。

io.github.affaan-m/ECC/agentic-engineering

以 Agentic 工程师的方式工作：评测优先执行、任务拆解与成本感知的模型路由。

io.github.affaan-m/ECC/agentic-engineering

以 Agentic 工程师的方式开展工作：评测优先执行、任务拆解与成本感知的模型路由。当大部分实现工作由 AI Agent 承担、由人来把关质量与风险控制时使用。

io.github.ComeOnOliver/skillshub/cursor-custom-prompts

结合项目规则、提示词工程模式与可复用模板，为 Cursor AI 编写高效的自定义提示。触发词："cursor prompts"、"prompt engineering cursor"、"better cursor prompts"、"cursor instructions"、"cursor prompt templates"。

io.github.NeverSight/learn-skills.dev/backend-engineering

在设计后端系统、数据库、API 或服务时使用此技能。触发场景：schema 设计、数据库迁移、索引策略、分布式系统架构、微服务、缓存、消息队列、可观测性搭建、日志、指标、链路追踪、SLO/SLI 定义、性能优化、查询调优、安全加固、认证、授权、API 设计（REST、GraphQL、gRPC）、限流、分页与故障处理模式。像资深后端工程顾问一样辅助中级工程师进阶。

io.github.affaan-m/ECC/agentic-engineering

作为代理工程师，采用评估优先执行、分解和成本感知模型路由进行操作。