senior-prompt-engineer

World-class prompt engineering skill for LLM optimization, prompt patterns, structured outputs, and AI product development. Expertise in Claude, GPT-4, prompt design patterns, few-shot learning, chain-of-thought, and AI evaluation. Includes RAG optimization, agent design, and LLM system architecture. Use when building AI products, optimizing LLM performance, designing agentic systems, or implementing advanced prompting techniques.

1. Sklonuj repozytorium z GitHub i przejdź do katalogu skill'u senior-prompt-engineer. Upewnij się, że masz zainstalowany Python oraz wymagane zależności (LangChain, LlamaIndex, DSPy i inne frameworki LLM wymienione w dokumentacji).

2. Przygotuj dane wejściowe — umieść swoje prompty, dokumenty lub konfiguracje w katalogu data/. Jeśli optymalizujesz istniejący system, przygotuj również plik konfiguracyjny config.yaml z parametrami projektu.

3. Uruchom optimizer promptów poleceniem python scripts/prompt_optimizer.py --input data/ --output results/. Narzędzie przeanalizuje Twoje prompty, zasugeruje ulepszenia wzorców i wygeneruje zoptymalizowane wersje w katalogu results/.

4. Jeśli pracujesz z RAG (Retrieval-Augmented Generation), uruchom ewaluator poleceniem python scripts/rag_evaluator.py --target project/ --analyze. Otrzymasz raport o jakości retrieval'u i sugestie optymalizacji.

5. Do wdrożenia systemów agentowych użyj python scripts/agent_orchestrator.py --config config.yaml --deploy. Narzędzie skonfiguruje architekturę agenta na podstawie Twojego pliku konfiguracyjnego i przygotuje go do produkcji.

6. Zapoznaj się z dokumentacją referencyjną w references/prompt_engineering_patterns.md — zawiera zaawansowane wzorce, strategie implementacji produkcyjnej i techniki optymalizacji wydajności dla Twoich konkretnych przypadków użycia.