정보
이 스킬은 Claude에서 사고 연쇄(chain-of-thought) 추론을 구현하기 위한 구조화된 프롬프트 패턴을 제공하여, 복잡한 작업에 대한 단계별 문제 해결을 가능하게 합니다. 여기에는 구성 가능한 추론 단계를 가진 제로샷/퓨샷 CoT, 자기 일관성(self-consistency), 그리고 트리 오브 사고(tree-of-thought) 접근법을 위한 템플릿이 포함됩니다. 개발자는 투명하고 검증 가능한 추론 과정이 필요하거나 다단계 문제에서 정확도 향상이 요구되는 에이전트를 구축할 때 이 스킬을 사용해야 합니다.
빠른 설치
Claude Code
추천npx skills add a5c-ai/babysitter -a claude-code/plugin add https://github.com/a5c-ai/babysittergit clone https://github.com/a5c-ai/babysitter.git ~/.claude/skills/chain-of-thought-promptsClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
GitHub 저장소
Frequently asked questions
What is the chain-of-thought-prompts skill?
chain-of-thought-prompts is a Claude Skill by a5c-ai. Skills package instructions and resources that Claude loads on demand, so Claude can perform chain-of-thought-prompts-related tasks without extra prompting.
How do I install chain-of-thought-prompts?
Use the install commands on this page: add chain-of-thought-prompts to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does chain-of-thought-prompts belong to?
chain-of-thought-prompts is in the Other category, tagged ai.
Is chain-of-thought-prompts free to use?
Yes. chain-of-thought-prompts is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
연관 스킬
LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.
이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.
이 Claude Skill은 스프레드, 오버/언더, 프로프 베트를 포함한 스포츠 베팅 시장을 분석합니다. 역사적 추이와 상황별 통계를 검토하여 가치 베트를 발견하고, 교육적 목적으로 실행 가능한 권장 사항이 담긴 구조화된 마크다운 결과를 제공합니다. 개발자는 이 기능을 스포츠 베팅 분석 도구에 활용할 수 있으며, 단순히 엔터테인먼트/교육 목적으로만 설계되었음을 유의해야 합니다.
이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.