Communitygithub.com

optimiseur-de-prompt

Analyse un brouillon de prompt, le critique, le fait correspondre aux composants de l'écosystème ECC et génère un prompt optimisé prêt à l'emploi.

Qu'est-ce que optimiseur-de-prompt ?

Cette compétence est conçue pour les utilisateurs d'agents IA (tels que Claude Code, Cursor, Codex) qui souhaitent améliorer leurs prompts pour interagir avec l'écosystème ECC (Enhanced Code Composition). Elle analyse un brouillon de prompt fourni par l'utilisateur, détecte son intention (nouvelle fonctionnalité, correction de bug, refactorisation, etc.), évalue sa portée (de triviale à épique), et le fait correspondre aux commandes, compétences et agents ECC appropriés. L'analyse inclut la détection du contexte du projet (technologies, fichiers) pour fournir des recommandations précises. Le résultat final est un prompt optimisé, complet et prêt à être copié-collé, avec des commandes ECC intégrées. La compétence est particulièrement utile pour les développeurs qui ne savent pas comment formuler leurs prompts pour obtenir le meilleur résultat d'un agent IA, ou qui souhaitent structurer leurs demandes complexes en plusieurs étapes. Elle supporte une large gamme de technologies et de langages, et s'adapte au niveau d'expérience de l'utilisateur en proposant des versions complètes ou rapides du prompt optimisé. Elle fonctionne en mode purement consultatif : elle ne modifie pas les fichiers ni n'exécute de code, elle ne fait que générer des prompts optimisés.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/prompt-optimizer

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Optimiseur de Prompt

Analyse un brouillon de prompt, le critique, le fait correspondre aux composants de l'écosystème ECC et produit un prompt optimisé que l'utilisateur peut copier et exécuter.

Quand l'utiliser

  • L'utilisateur dit « optimise ce prompt », « améliore mon prompt », « réécris ce prompt »
  • L'utilisateur dit « aide-moi à écrire un meilleur prompt pour... »
  • L'utilisateur dit « quelle est la meilleure façon de demander à Claude Code de... »
  • L'utilisateur dit « 优化prompt », « 改进prompt », « 怎么写prompt », « 帮我优化这个指令 »
  • L'utilisateur colle un brouillon de prompt et demande des commentaires ou une amélioration
  • L'utilisateur dit « je ne sais pas comment formuler le prompt pour ça »
  • L'utilisateur dit « comment devrais-je utiliser ECC pour... »
  • L'utilisateur invoque explicitement /prompt-optimize

Ne pas utiliser quand

  • L'utilisateur souhaite que la tâche soit effectuée directement (il suffit de l'exécuter)
  • L'utilisateur dit « 优化代码 », « 优化性能 », « optimise ce code », « optimise les performances » — ce sont des tâches de refactorisation, pas d'optimisation de prompt
  • L'utilisateur pose des questions sur la configuration ECC (utiliser configure-ecc à la place)
  • L'utilisateur souhaite un inventaire des compétences (utiliser skill-stocktake à la place)
  • L'utilisateur dit « fais-le simplement » ou « 直接做 »

Comment ça fonctionne

Uniquement à titre consultatif — n'exécutez pas la tâche de l'utilisateur.

N'écrivez PAS de code, ne créez PAS de fichiers, n'exécutez PAS de commandes et ne prenez AUCUNE action de mise en œuvre. Votre SEULE sortie est une analyse plus un prompt optimisé.

Si l'utilisateur dit « fais-le simplement », « 直接做 » ou « n'optimise pas, exécute simplement », ne passez pas en mode implémentation dans cette compétence. Dites à l'utilisateur que cette compétence ne produit que des prompts optimisés et demandez-lui de faire une demande de tâche normale s'il souhaite une exécution.

Exécutez ce pipeline en 6 phases de manière séquentielle. Présentez les résultats en utilisant le format de sortie ci-dessous.

Pipeline d'Analyse

Phase 0 : Détection du Projet

Avant d'analyser le prompt, détectez le contexte actuel du projet :

  1. Vérifiez si un fichier CLAUDE.md existe dans le répertoire de travail — lisez-le pour connaître les conventions du projet
  2. Détectez la pile technologique à partir des fichiers du projet :
    • package.json → Node.js / TypeScript / React / Next.js
    • go.mod → Go
    • pyproject.toml / requirements.txt → Python
    • Cargo.toml → Rust
    • build.gradle / pom.xml → Java / Kotlin (vérifiez ensuite la présence de quarkus dans le fichier de build → Quarkus, ou spring-boot → Spring Boot)
    • Package.swift → Swift
    • Gemfile → Ruby
    • composer.json → PHP
    • *.csproj / *.sln → .NET
    • Makefile / CMakeLists.txt → C / C++
    • cpanfile / Makefile.PL → Perl
  3. Notez la pile technologique détectée pour l'utiliser dans les phases 3 et 4

Si aucun fichier de projet n'est trouvé (par exemple, le prompt est abstrait ou concerne un nouveau projet), ignorez la détection et signalez « pile technologique inconnue » dans la phase 4.

Phase 1 : Détection de l'Intention

Classez la tâche de l'utilisateur dans une ou plusieurs catégories :

CatégorieMots-clésExemple
Nouvelle fonctionnalitéconstruire, créer, ajouter, implémenter, 创建, 实现, 添加« Construire une page de connexion »
Correction de bugcorriger, cassé, ne fonctionne pas, erreur, 修复, 报错« Corriger le flux d'authentification »
Refactorisationrefactoriser, nettoyer, restructurer, 重构, 整理« Refactoriser la couche API »
Recherchecomment faire, qu'est-ce que, explorer, étudier, 怎么, 如何« Comment ajouter le SSO »
Testtester, couverture, vérifier, 测试, 覆盖率« Ajouter des tests pour le panier »
Revuerevoir, auditer, vérifier, 审查, 检查« Revoir ma PR »
Documentationdocumenter, mettre à jour la doc, 文档« Mettre à jour la documentation API »
Infrastructuredéployer, CI, docker, base de données, 部署, 数据库« Configurer le pipeline CI/CD »
Conceptionconcevoir, architecture, planifier, 设计, 架构« Concevoir le modèle de données »

Phase 2 : Évaluation de la Portée

Si la phase 0 a détecté un projet, utilisez la taille de la base de code comme indicateur. Sinon, estimez-la à partir de la seule description du prompt et marquez l'estimation comme incertaine.

PortéeHeuristiqueOrchestration
TRIVIALEFichier unique, < 50 lignesExécution directe
FAIBLEComposant ou module uniqueCommande ou compétence unique
MOYENNEPlusieurs composants, même domaineChaîne de commandes + /verify
ÉLEVÉEMulti-domaines, 5+ fichiers/plan d'abord, puis exécution par phases
ÉPIQUEMulti-sessions, multi-PR, changement architecturalUtiliser la compétence blueprint pour un plan multi-session

Phase 3 : Correspondance avec les Composants ECC

Faites correspondre l'intention + la portée + la pile technologique (de la phase 0) aux composants ECC spécifiques.

Par Type d'Intention

IntentionCommandesCompétencesAgents
Nouvelle fonctionnalité/plan, /tdd, /code-review, /verifytdd-workflow, verification-loopplanner, tdd-guide, code-reviewer
Correction de bug/tdd, /build-fix, /verifytdd-workflowtdd-guide, build-error-resolver
Refactorisation/refactor-clean, /code-review, /verifyverification-looprefactor-cleaner, code-reviewer
Recherche/plansearch-first, iterative-retrieval—
Test/tdd, /e2e, /test-coveragetdd-workflow, e2e-testingtdd-guide, e2e-runner
Revue/code-reviewsecurity-reviewcode-reviewer, security-reviewer
Documentation/update-docs, /update-codemaps—doc-updater
Infrastructure/plan, /verifydocker-patterns, deployment-patterns, database-migrationsarchitect
Conception (MOYENNE-ÉLEVÉE)/plan—planner, architect
Conception (ÉPIQUE)—blueprint (invoquer en tant que compétence)planner, architect

Par Pile Technologique

Pile TechnologiqueCompétences à AjouterAgent
Python / Djangodjango-patterns, django-tdd, django-security, django-verification, python-patterns, python-testingpython-reviewer
Gogolang-patterns, golang-testinggo-reviewer, go-build-resolver
Spring Boot / Javaspringboot-patterns, springboot-tdd, springboot-security, springboot-verification, java-coding-standards, jpa-patternsjava-reviewer
Quarkus / Javaquarkus-patterns, quarkus-tdd, quarkus-security, quarkus-verification, java-coding-standards, jpa-patternsjava-reviewer
Kotlin / Androidkotlin-coroutines-flows, compose-multiplatform-patterns, android-clean-architecturekotlin-reviewer
TypeScript / Reactfrontend-patterns, backend-patterns, coding-standardscode-reviewer
Swift / iOSswiftui-patterns, swift-concurrency-6-2, swift-actor-persistence, swift-protocol-di-testingcode-reviewer
PostgreSQLpostgres-patterns, database-migrationsdatabase-reviewer
Perlperl-patterns, perl-testing, perl-securitycode-reviewer
C++cpp-coding-standards, cpp-testingcode-reviewer
Autre / Non listécoding-standards (universel)code-reviewer

Phase 4 : Détection du Contexte Manquant

Analysez le prompt pour détecter les informations critiques manquantes. Vérifiez chaque élément et indiquez si la phase 0 l'a détecté automatiquement ou si l'utilisateur doit le fournir :

  • Pile technologique — Détectée en phase 0, ou l'utilisateur doit-il la spécifier ?
  • Portée cible — Fichiers, répertoires ou modules mentionnés ?
  • Critères d'acceptation — Comment savoir si la tâche est terminée ?
  • Gestion des erreurs — Cas limites et modes de défaillance traités ?
  • Exigences de sécurité — Authentification, validation des entrées, secrets ?
  • Attentes en matière de test — Tests unitaires, d'intégration, E2E ?
  • Contraintes de performance — Charge, latence, limites de ressources ?
  • Exigences UI/UX — Spécifications de conception, responsive, accessibilité ? (si frontend)
  • Modifications de base de données — Schéma, migrations, index ? (si couche de données)
  • Modèles existants — Fichiers de référence ou conventions à suivre ?
  • Limites de la portée — Ce qu'il NE faut PAS faire ?

Si 3 éléments critiques ou plus sont manquants, posez jusqu'à 3 questions de clarification à l'utilisateur avant de générer le prompt optimisé. Incorporez ensuite les réponses dans le prompt optimisé.

Phase 5 : Recommandation de Workflow & de Modèle

Déterminez où se situe ce prompt dans le cycle de vie du développement :

Recherche → Plan → Implémentation (TDD) → Revue → Vérification → Commit

Pour les tâches de portée MOYENNE+, commencez toujours par /plan. Pour les tâches ÉPIQUES, utilisez la compétence blueprint.

Recommandation de modèle (à inclure dans la sortie) :

PortéeModèle RecommandéJustification
TRIVIALE-FAIBLESonnet 5Rapide, économique pour les tâches simples
MOYENNESonnet 5Meilleur modèle de codage pour le travail standard
ÉLEVÉESonnet 5 (principal) + Opus 5 (planification)Opus pour l'architecture, Sonnet pour l'implémentation
ÉPIQUEOpus 5 (blueprint) + Sonnet 5 (exécution)Raisonnement profond pour la planification multi-session

Division multi-prompts (pour portée ÉLEVÉE/ÉPIQUE) :

Pour les tâches qui dépassent une seule session, divisez en prompts séquentiels :

  • Prompt 1 : Recherche + Plan (utilisez d'abord la compétence search-first, puis /plan)
  • Prompt 2-N : Implémentez une phase par prompt (chacun se termine par /verify)
  • Dernier prompt : Test d'intégration + /code-review sur toutes les phases
  • Utilisez /save-session et /resume-session pour préserver le contexte entre les sessions

Format de Sortie

Présentez votre analyse dans cette structure exacte. Répondez dans la même langue que celle de l'entrée de l'utilisateur.

Section 1 : Diagnostic du Prompt

Points forts : Listez ce que le prompt original fait bien.

Problèmes :

ProblèmeImpactCorrectif Suggéré
(problème)(conséquence)(comment corriger)

Clarifications Nécessaires : Liste numérotée des questions auxquelles l'utilisateur devrait répondre. Si la phase 0 a détecté automatiquement la réponse, indiquez-la au lieu de poser la question.

Section 2 : Composants ECC Recommandés

TypeComposantObjectif
Commande/planPlanifier l'architecture avant le codage
Compétencetdd-workflowGuide de méthodologie TDD
Agentcode-reviewerRévision post-implémentation
ModèleSonnet 5Recommandé pour cette portée

Section 3 : Prompt Optimisé — Version Complète

Présentez le prompt optimisé complet dans un seul bloc de code délimité. Le prompt doit être autonome et prêt à être copié-collé. Incluez :

  • Description claire de la tâche avec contexte
  • Pile technologique (détectée ou spécifiée)
  • Invocations de /command aux étapes appropriées du workflow
  • Critères d'acceptation
  • Étapes de vérification
  • Limites de la portée (ce qu'il NE faut PAS faire)

Pour les éléments qui font référence à blueprint, écrivez : « Utilisez la compétence blueprint pour... » (pas /blueprint, car blueprint est une compétence, pas une commande).

Section 4 : Prompt Optimisé — Version Rapide

Une version compacte pour les utilisateurs expérimentés d'ECC. Varie selon le type d'intention :

IntentionModèle Rapide
Nouvelle fonctionnalité/plan [fonctionnalité]. /tdd pour implémenter. /code-review. /verify.
Correction de bug/tdd — écrire un test échouant pour [bug]. Corriger pour passer au vert. /verify.
Refactorisation/refactor-clean [portée]. /code-review. /verify.
RechercheUtilisez la compétence search-first pour [sujet]. /plan basé sur les résultats.
Test/tdd [module]. /e2e pour les flux critiques. /test-coverage.
Revue/code-review. Utilisez ensuite l'agent security-reviewer.
Documentation/update-docs. /update-codemaps.
ÉPIQUEUtilisez la compétence blueprint pour « [objectif] ». Exécutez les phases avec des portes /verify.

Section 5 : Justification des Améliorations

AméliorationRaison
(ce qui a été ajouté)(pourquoi c'est important)

Pied de Page

Pas ce dont vous avez besoin ? Dites-moi ce qu'il faut ajuster, ou faites une demande de tâche normale si vous souhaitez une exécution plutôt qu'une optimisation de prompt.


Exemples

Exemples de Déclencheurs

  • « Optimise ce prompt pour ECC »
  • « Réécris ce prompt pour que Claude Code utilise les bonnes commandes »
  • « 帮我优化这个指令 »
  • « Comment formuler le prompt pour ECC pour cette tâche ? »

Exemple 1 : Prompt Vague en Chinois (Projet Détecté)

Entrée utilisateur :

帮我写一个用户登录页面

Phase 0 détecte : package.json avec Next.js 15, TypeScript, Tailwind CSS

Prompt Optimisé (Complet) :

Utilisez la pile technologique existante du projet (Next.js 15 + TypeScript + Tailwind CSS) pour implémenter une page de connexion utilisateur.

Exigences techniques :
- Suivez la structure de composants et les conventions de routage existantes du projet
- Utilisez le schéma de validation existant dans le projet pour la validation de formulaire (vérifiez si Zod/Yup/autre est déjà utilisé)
- Méthode d'authentification : utilisez le schéma d'authentification existant du projet (si aucun, JWT par défaut)
- Inclut : formulaire de connexion email/mot de passe, validation de formulaire, messages d'erreur, état de chargement, mise en page responsive

Workflow :
1. /plan pour planifier d'abord la structure des composants et le flux d'authentification, en vous référant aux modèles de pages existantes
2. /tdd tests en premier : écrivez des tests unitaires pour le formulaire de connexion et des tests d'intégration pour le flux d'authentification
3. Implémentez la page de connexion et la logique d'authentification
4. /code-review pour réviser l'implémentation
5. /verify pour vérifier que tous les tests passent et que la page s'affiche correctement

Exigences de sécurité :
- Le mot de passe n'est pas transmis en clair
- Protection contre la force brute (rate limiting)
- Protection XSS
- Jeton CSRF

Critères d'acceptation :
- Tous les tests passent, couverture 80%+
- La page s'affiche correctement sur mobile et desktop
- Connexion réussie redirige vers le tableau de bord, échec affiche un message d'erreur

Ne pas faire :
- Ne pas implémenter la page d'inscription
- Ne pas implémenter la fonctionnalité de mot de passe oublié
- Ne pas modifier la structure de routage existante

Exemple 2 : Prompt Anglais Modéré

Entrée utilisateur :

Ajoute un point de terminaison d'API REST pour les mises à jour de profil utilisateur avec validation

Phase 0 détecte : go.mod avec Go 1.22, routeur Chi

Prompt Optimisé (Complet) :

Ajoute un point de terminaison d'API REST pour les mises à jour de profil utilisateur (PATCH /api/users/:id).

Pile technologique : Go 1.22 + routeur Chi (détecté depuis le projet)

Exigences :
- PATCH /api/users/:id — mise à jour partielle du profil utilisateur
- Validation des entrées pour les champs : nom, email, avatar_url, bio
- Authentification : nécessite un jeton valide, les utilisateurs ne peuvent mettre à jour que leur propre profil
- Retourner 200 avec l'utilisateur mis à jour en cas de succès
- Retourner 400 avec les erreurs de validation en cas d'entrée invalide
- Retourner 401/403 pour les échecs d'authentification
- Suivre les modèles d'API existants dans la base de code

Workflow :
1. /plan pour la structure du point de terminaison, la chaîne de middleware et la logique de validation
2. /tdd — écrivez des tests paramétrés pour le succès, l'échec de validation, l'échec d'authentification, et la non-trouvabilité
3. Implémentez en suivant les modèles de gestionnaires existants
4. /go-review
5. /verify — exécutez toute la suite de tests, confirmez l'absence de régressions

Ne pas faire :
- Modifier les points de terminaison existants
- Changer le schéma de base de données (utiliser la table utilisateur existante)
- Ajouter de nouvelles dépendances sans vérifier d'abord les existantes (utilisez la compétence search-first)

Exemple 3 : Projet ÉPIQUE

Entrée utilisateur :

Migrer notre monolithe vers des microservices

Prompt Optimisé (Complet) :

Utilisez la compétence blueprint pour planifier : « Migrer l'architecture monolithique vers des microservices »

Avant d'exécuter, répondez à ces questions dans le blueprint :
1. Quelles limites de domaine existent dans le monolithe actuel ?
2. Quel service devrait être extrait en premier (couplage le plus faible) ?
3. Modèle de communication : API REST, gRPC, ou événementiel (Kafka/RabbitMQ) ?
4. Stratégie de base de données : base de données partagée initialement ou base de données par service dès le départ ?
5. Cible de déploiement : Kubernetes, Docker Compose, ou serverless ?

Le blueprint devrait produire des phases comme :
- Phase 1 : Identifier les limites de service et créer une carte de domaine
- Phase 2 : Mettre en place l'infrastructure (API gateway, service mesh, CI/CD par service)
- Phase 3 : Extraire le premier service (modèle du figuier étrangleur)
- Phase 4 : Vérifier avec des tests d'intégration, puis extraire le service suivant
- Phase N : Décommissionner le monolithe

Chaque phase = 1 PR, avec des portes /verify entre les phases.
Utilisez /save-session entre les phases

...

[tronqué pour la traduction]

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Skills associés