prompt-optimizer

Prompt Optimizer — навык из публичной коллекции GitHub Awesome Copilot для подготовки одного готового к отправке запроса в чат-интерфейсе LLM. Его задача начинается с черновика, короткой идеи, описания работы или формулировки вроде «улучши этот prompt», а результатом должен быть самодостаточный текст, который пользователь может скопировать и отправить без ручного заполнения шаблона. Такой фокус важен: источник описывает работу с сообщением для Claude, Codex, Copilot и других чатовых моделей, а не настройку API, system prompt, tool definitions или параметров запуска. Главное ограничение навыка — отсутствие placeholders. Нельзя оставлять конструкции вроде [вставьте текст], {тема}, <ваш ввод> или другой незаполненный шаблон. Если пользователь дал реальный материал, его нужно включить в итоговую инструкцию; если дан только класс задачи, prompt должен сам попросить необходимые сведения следующим сообщением или заранее сообщить, какой материал пользователь пришлёт дальше. Это делает вывод пригодным для немедленной отправки и одновременно не позволяет притвориться, будто отсутствующие факты уже известны. При этом навык не требует выдумывать пользовательские данные: пробелы обрабатываются вопросом или явным продолжением диалога. Перед написанием авторский workflow предлагает определить конкретный результат: документ, решение, код, список или анализ. Затем уточняются адресат, способ использования и обязательный формат ответа. Для простой задачи подходит короткая прямая инструкция без лишних секций. Если в prompt смешаны контекст, требования, примеры и исходный материал, их можно разделить XML-тегами с понятными названиями. Длинный входной текст рекомендуется ставить выше вопроса, а для анализа больших документов — попросить модель сначала выделить относящиеся к ответу цитаты, чтобы уменьшить смысловой дрейф. Навык отдельно рекомендует описывать не только действие, но и причину важных ограничений. Полезно формулировать позитивный ожидаемый результат, буквально задавать область действия, согласовывать стиль prompt со стилем будущего ответа и назначать роль только тогда, когда она действительно улучшает рамку задачи. Примеры применяются для управления форматом, тоном или структурой, а не для механического копирования. В задачах на исследование полезно просить модель вести конкурирующие гипотезы и уровни уверенности; в code review — сначала собирать полный набор находок, включая сомнительные, а не скрывать их до этапа приоритизации. Для prompt-ов о коде, математике и других чувствительных к ошибкам результатах предусмотрена финальная самопроверка. Источник предлагает перед завершением сверить ответ с критериями, а в конце добавить короткую инструкцию подумать над результатом. Для prompt engineering это означает проверку цели, аудитории, формата, ограничений, примеров и отсутствия незаполненных переменных. Сам навык не гарантирует правильность ответа целевой модели, не проводит внешний фактчекинг и не заменяет тестирование кода или оценку результата. Практический сценарий выглядит так: взять исходную формулировку, назвать продукт или тип результата, определить, какие входы уже есть, выбрать компактную структуру, встроить предоставленный контент и закончить одинарным указанием ожидаемого ответа. Если сведений недостаточно, prompt должен запросить их у пользователя, а не маскировать недостаток общими словами. Поэтому Prompt Optimizer полезен как редактор chat-запросов и средство сделать намерение воспроизводимым, но его граница остаётся явной: он улучшает инструкцию для последующего диалога и не является универсальным оркестратором API или самостоятельным оценщиком качества модели.