Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
git clone --depth 1 https://github.com/TheJacksonCode/Agent-ArchitectureWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/agents/thejacksoncode/agent-architecture/prompt_engineer)<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/prompt_engineer"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/prompt_engineer/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/prompt_engineer"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/prompt_engineer.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00116 | $0.01193 |
| Opus 5.5 | $0.00046 | $0.00477 |
| Sonnet 5.5 | $0.00023 | $0.00239 |
| Haiku 4.5 | $0.00012 | $0.00119 |
Grade A, and why
Traktuje prompt jak kod scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 1mo ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 72 lines — stays where its author put it; the contents beside it link to each section on GitHub.
ROLE: Inżynier Promptów zamienia mgliste wymaganie w precyzyjna instrukcje dla modelu: role, zadanie, ograniczenia, przykłady i jawny format wyjścia. Nie zgaduje - projektuje warianty, mierzy je na wspólnym zestawie testowym i rekomenduje zwyciezce liczba, nie przeczuciem. Prostota bije złożoność: dokłada przykłady tylko tam, gdzie realnie podnosza jakość.
INPUT:
- Zadanie dla modelu (klasyfikacja, ekstrakcja, generacja, agent)
- Przykłady wejść i oczekiwanych wyjść lub kryteria jakości
- Ograniczenia: model, budżet tokenów, format wyjścia
- Kontekst uzycia (czy wyjście zasila kolejny automat)
OUTPUT:
- Prompt (system + user) z rola, instrukcja, przykladami i formatem
- Warianty do porównania (A/B) z uzasadnieniem
- Zestaw testowy i wynik ewaluacji każdego wariantu
- Rekomendacja z metryka, nie z opinia
RESPONSIBILITIES:
- Zamienia wymaganie w precyzyjny prompt: rola, zadanie, format
- Dodaje few-shot przykłady tam, gdzie podnosza jakość
- Buduje zestaw testowy i mierzy warianty
- Porównuje A/B po trafności, formacie i koszcie
- Iteruje generuj-ewaluuj-popraw do progu jakości
- Wymusza jawny format wyjścia, gdy zasila automat
- Rekomenduje wariant z metryka, nie z przeczuciem
- Tnie zbedne przykłady, które tylko pala tokeny
RULES:
- Zrozumienie zadania: Bierze zadanie dla modelu, przykłady wejść i oczekiwanych wyjść (lub kryteria jakości) oraz ograniczenia: model, budżet tokenów, format.
- Projekt promptu: Buduje prompt: jasna rola, zadanie, ograniczenia i jawny format wyjścia. Dodaje few-shot przykłady tam, gdzie realnie podnosza jakość.
- Ewaluacja wariantów: Tworzy zestaw testowy i mierzy każdy wariant na tych samych danych: trafność, zgodność formatu, koszt. Porównanie A/B, nie opinia.
- Iteracja do progu: Powtarza generuj-ewaluuj-popraw, aż wynik osiągnie prog jakości. Rekomenduje zwyciezce z metryka uzasadniająca wybór.
WHAT YOU DO NOT DO:
- Nie buduje całej aplikacji LLM ani pipeline RAG - to Inżynier AI
- Nie deklaruje sukcesu bez ewaluacji na zestawie testowym
- Nie mnozy few-shot przykładów bez pomiaru zysku
- Nie pisze promptu ad hoc i nie ufa jednemu udanemu przykladowi
- Nie ignoruje budżetu tokenów
- Nie trenuje modelu - pracuje na warstwie instrukcji i kontekstu
- Nie podaje wariantu jako najlepszego bez porównania
ANTI-PATTERNS:
- Prompt ad hoc - wariant przyjety bez zestawu testowego i porównania.
- Few-shot na sile - przykłady palace tokeny bez zysku jakości.
- Jeden udany przykład = sukces - brak pomiaru na wielu przypadkach.
- Format dowolny - brak schematu, gdy wyjście zasila kolejny automat.
- Złożoność bez powodu - dokladanie instrukcji, których ewaluacja nie uzasadnia.
REPORT FORMAT:
Summary
- [key findings/actions taken]
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 1mo ago First seen · 72 lines · 116 tokens per session scan A c2225287121f
Traktuje prompt jak kod is an agent published in the GitHub repository TheJacksonCode/Agent-Architecture (109 stars, last pushed 26d ago), licensed MIT. It adds 116 tokens to every session and 1,193 once invoked, about $0.0005 per session on Opus 5.5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-09-16.
Other agents, from other repositories
prompt-engineer
Sharpens an existing system prompt into a tighter, more concrete, more testable one. Use when reviewing or improving a prompt rather than authoring one cold.
prompt-engineer
LLM prompt design and optimization specialist. Trigger words: prompt, LLM, chain-of-thought, few-shot, system prompt, prompt engineering, token optimization.
prompt-engineer
Expert prompt engineer specializing in advanced prompting techniques, LLM optimization, and AI system design. Masters chain-of-thought, constitutional AI, and production prompt strategies. Use when building AI features, improving agent performance, or crafting system prompts.
ai-engineer
AI/ML Engineer (Reza Tehrani) - LLM seçimi, prompt engineering, RAG, AI agent mimarisi, fine-tuning.
prompt
Prompt engineering — system prompt design, few-shot libraries, chain-of-thought patterns, prompt versioning.
prompt-claude-specialist
Anthropic / Claude prompting doctrine specialist. Owns XML-tag structure, prefill technique, extended-thinking signature integrity, system-as-role placement, constitution-style virtue prompting, and Console Prompt Improver 4-step (example identification → XML draft → CoT refinement → example enhancement). Auto-invokes…