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.
npx skills add smk-labs/claude-plugins --skill mkprompt-classicgit clone --depth 1 https://github.com/smk-labs/claude-pluginsWrote 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/skills/smk-labs/claude-plugins/mkprompt-classic)<a href="https://agentmods.dev/skills/smk-labs/claude-plugins/mkprompt-classic"><img src="https://agentmods.dev/badge/skills/smk-labs/claude-plugins/mkprompt-classic/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/skills/smk-labs/claude-plugins/mkprompt-classic"><img src="https://agentmods.dev/badge/skills/smk-labs/claude-plugins/mkprompt-classic.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 | $0.00080 | $0.01101 |
| Opus 5.5 | $0.00032 | $0.00440 |
| Sonnet 5.5 | $0.00016 | $0.00220 |
| Haiku 4.5 | $0.00008 | $0.00110 |
Grade C, and why
mkprompt-classic scanned grade C with 1 finding 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.
Hidden instructionshighPrompt injection
Directives inside HTML comments, invisible characters or bidirectional overrides are read by the model and not by the person reviewing the file.
پرامپت‌ساز تشریحی با نقش, کانتکست, گاردریل و فرمت گزارش, برای قید سفت. Triggers: «پرامپت کامل», «پرامپت تشریحی», «با گاردریل», "classic". برای پرامپت معمولی از mkprompt-goal استفاده کن. --- # mkprompt-classic: پرامپت تشر How it starts
The opening of the file, as written. The whole thing — 54 lines — stays where its author put it; the contents beside it link to each section on GitHub.
mkprompt-classic: پرامپت تشریحی
ورودی: موضوع یا کار. اگر ابهام تعیین‌کننده دارد (مقصد اجرا؟ کدام ریپو؟) حداکثر یک پرسش batched؛ وگرنه با پیش‌فرض معقول بساز.
این سبک فقط وقتی می‌ارزد که قید سختی هست: دسترسی محدود، خط قرمز، لحن مشخص، فرمت خروجی دقیق، یا محیطی که مدل نمی‌شناسد. برای کار عادی سنگین‌تر از چیزی است که لازم است؛ آنجا mkprompt-goal جواب می‌دهد.
اسکلت (همیشه همین ترتیب؛ بخش بی‌ربط حذف شود)
- ROLE: نقش ایجنت + تقسیم مدل. پیش‌فرض: قضاوت و طراحی Opus، اجرای گسترده Sonnet، مگر کاربر چیز دیگری بگوید.
- CONTEXT: مسیر ریپو یا سرویس، وضعیت فعلی، چه چیزهایی انجام شده، فایل‌های کلیدی.
- TASK: کار و معیار پذیرش قابل‌چک. باز هم روش را دیکته نکن؛ فقط چیزی که واقعاً باید آن‌طور باشد.
- GUARDRAILS: دامنهٔ ممنوعه، verify واقعی قبل از هر ادعا، ship small، هیچ وابستگی جدید، سشن‌های زندهٔ کاربر دست نخورد.
- REPORT: فرمت گزارش پایانی؛ در کار کدی بستن با commit و push.
حتی اینجا هم کار را مرحله‌به‌مرحله تجزیه نکن. قید بنویس، نه دستورالعمل.
اگر کار چندسشنی است
هیچ نکتهٔ اجرایی را در چت به کاربر نگو؛ داخل پرامپت بگذار، چون کاربر پرامپت را می‌دهد و می‌رود. در TASK این‌ها اضافه می‌شود:
- بی‌نظارت ادامه بده، هر چند سشن که شد.
- قبل از هر کد، فایل پیشرفت را بساز: یک خط برای هر واحد و وضعیتش.
- بعد هر واحد خودت را بیدار کن. هر شات: فایل پیشرفت و گیت‌لاگ را بخوان، یک واحد بردار، تأیید کن، کامیت کن، تیک بزن. از صفر برنامه‌ریزی نکن و نپرس «بعدی چه؟».
- خواندن و گشتن و اسکن لاگ را بده به ساب‌ایجنت تا چند خط برگردانند، نه محتوای فایل؛ کانتکست خودت برای کار بماند.
- اگر لوپ خودکار در دسترس نبود، تا ته همین سشن برو؛ فایل پیشرفت باعث می‌شود سشن بعدی از همان‌جا بردارد.
- آخر کار، لوپ را ببند.
تحویل: پیشنهاد تسک، نه فقط متن
پرامپت که آماده شد، دو کار بکن، به همین ترتیب:
- پیشنهاد تسک بساز با
mcp__ccd_session__spawn_task، تا کاربر با یک کلیک همان‌جا شروعش کند:cwd: پوشهٔ درست همان کار (ریپوی هدف)، نه پوشهٔ سشن فعلی.prompt: کل پرامپت، عیناً و کامل. باید خودایستا باشد؛ ایجنت این گفتگو را نمی‌بیند.title: فعل امری، زیر ۶۰ کاراکتر.tldr: یکی دو جمله زبان ساده، بدون مسیر فایل.- نسخهٔ اصلاح‌شده که ساختی، چیپ قبلی را با
mcp__ccd_session__dismiss_taskبردار تا تسک تکراری نماند. - اگر این ابزار در دسترس نبود، فقط متن را بده و همان یک خط بگو که پیشنهاد تسک اینجا نیست.
- متن خام را هم در چت بده، داخل یک بلوک کد و همزمان با
pbcopyدر کلیپ‌بورد، برای وقتی که کاربر می‌خواهد جای دیگری (ماشین دیگر، اپ دیگر) بچسباند.
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 Changed · +1 lines · -98 tokens per session f9fc4259dbe2
- 1mo ago First seen · 53 lines · 178 tokens per session scan C 332e8b3f3783
mkprompt-classic is a skill published in the GitHub repository smk-labs/claude-plugins (11 stars, last pushed 28d ago), licensed MIT. It adds 80 tokens to every session and 1,101 once invoked, about $0.0003 per session on Opus 5.5. A static security scan graded it C with 1 finding (hidden instructions). No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-30.
Other skills, from other repositories
nano-banana-prompting
This skill should be used when crafting prompts for Nano Banana Pro (Gemini image generation). Use when users want help writing image generation prompts, need guidance on prompt structure, or want to optimize their prompts for better results.
nano-banana
This skill should be used for Python scripting and Gemini image generation. Use when users ask to generate images, create AI art, edit images with AI, or run Python scripts with uv. Trigger phrases include "generate an image", "create a picture", "draw", "make an image of", "nano banana", or any image generation…
dummy-dataset
Generate realistic dummy datasets for testing with customizable columns, constraints, and output formats (CSV, JSON, SQL, Python script). Use when creating test data, building mock datasets, or generating sample data for development and demos.
prompt-engineer
Writes, refactors, and evaluates prompts for LLMs — generating optimized prompt templates, structured output schemas, evaluation rubrics, and test suites. Use when designing prompts for new LLM applications, refactoring existing prompts for better accuracy or token efficiency, implementing chain-of-thought or few-shot…
prompt-master
Generates optimized prompts for AI tools. Activates only when the user explicitly asks to write, fix, improve, or adapt a prompt for a specific AI tool (LLM, Cursor, Midjourney, image AI, video AI, coding agents, etc.). Does not activate for general conversation, coding tasks, document writing, or other…
ai-workflow-architect
Designs AI systems, automations, and agent workflows for a business — identifying which manual work is worth automating, how to structure the system, which tools fit, and what could go wrong. Use this to automate part of an operation, design an agent or MCP workflow, reduce repetitive manual work, connect tools into a…