Optimise les textes, les prompts et la documentation pour l'efficacité tokenique des LLM. Applique 41 règles issues de la recherche réparties en 6 catégories : comportement de Claude, efficacité des tokens, structure, intégrité des références, perception et compréhension LLM. À utiliser pour optimiser les prompts, réduire les tokens, compresser des documents verbeux ou améliorer la qualité des instructions LLM.
Ce skill, `kochetkov-ma/text-optimizer`, est un outil spécialisé pour les développeurs et utilisateurs d'agents IA (Claude, Cursor, Codex, etc.) qui cherchent à améliorer l'efficacité et la clarté de leurs interactions avec les grands modèles de langage (LLM). Il applique un ensemble de 41 règles, fondées sur des recherches, pour optimiser les prompts, la documentation et tout texte destiné à être traité par un LLM. L'objectif principal est de réduire le nombre de tokens consommés (et donc les coûts), tout en améliorant la qualité des réponses de l'IA. Les règles sont organisées en six catégories : comportement de Claude (pour orienter l'agent), efficacité des tokens (pour réduire la taille du texte), structure (pour une meilleure organisation), intégrité des références (pour éviter les hallucinations), perception (pour des instructions claires) et compréhension LLM (pour faciliter le traitement). En pratique, l'utilisateur fournit un texte, et le skill l'analyse, propose des optimisations ou le reformate automatiquement selon les règles. C'est particulièrement utile pour compresser des documents verbeux, affiner des instructions pour un agent comme Claude, ou déboguer des prompts trop longs ou inefficaces. Le skill est conçu pour être neutre et compatible avec n'importe quel LLM, bien qu'il donne des conseils spécifiques pour Claude. Il fonctionne en s'intégrant via un fichier `SKILL.md` qui décrit les règles et l'approche, permettant à l'utilisateur de les appliquer manuellement ou via un assistant.
npx skills add https://github.com/kochetkov-ma/claude-brewcode/tree/main/skills/text-optimizerInstalled? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Optimise les textes, les prompts et la documentation pour l'efficacité tokenique des LLM. Applique 41 règles issues de la recherche réparties en 6 catégories : comportement de Claude, efficacité des tokens, structure, intégrité des références, perception et compréhension LLM. À utiliser pour optimiser les prompts, réduire les tokens, compresser des documents verbeux ou améliorer la qualité des instructions LLM.
This repo contains 1 individual skill — each has its own dedicated page.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.