Bỏ qua, tới nội dung chính
Tất cả tài liệu
PromptĐăng ngày 07:12 29/9/26· 4 lượt mở

Prompt kiểm gói thư viện AI thêm vào có thật không

Prompt
Soát mọi thư viện / gói mà dự án này đang dùng hoặc AI vừa thêm vào (package.json, requirements.txt, pyproject.toml, lệnh pip/npm install trong README và script). Chưa cài hay xoá gì cho tới khi mình duyệt.

Với từng gói:
1. Kiểm tra tên có thật trên kho chính thức (pypi.org hoặc npmjs.com) bằng cách tra trực tiếp, không đoán theo trí nhớ. Nếu không tra được thì ghi rõ "chưa kiểm được".
2. Ghi ngày tạo gói, lượt tải gần đây, link repo mã nguồn và người duy trì.
3. Đánh dấu NGHI NGỜ nếu: không tồn tại, mới tạo dưới 3 tháng, lượt tải thấp, không có repo, tên gần giống một gói nổi tiếng (sai chính tả, thêm gạch ngang, ghép hai tên), hoặc có script chạy lúc cài (postinstall, setup.py lạ).
4. Với gói nghi ngờ: đề xuất gói chính chủ thay thế hoặc cách làm không cần gói đó.
5. Kiểm tra dự án có file lock (package-lock.json, poetry.lock, uv.lock...) và phiên bản đã được ghim chưa.

Báo lại bằng một bảng: tên gói | có thật? | ngày tạo | lượt tải | repo | mức rủi ro | đề xuất. Cuối cùng liệt kê lệnh sửa mình cần chạy, và nhắc chạy npm audit hoặc pip-audit.
Facebook

Thêm trong mục Prompt

Prompt

Prompt soát cấu hình gửi email của app trước khi gửi thật

Bạn là kỹ sư email deliverability. Soát chức năng gửi email của dự án này trước khi mình bật gửi thật. 1. Đọc code gửi mail: địa chỉ From, tên miền gửi, máy chủ SMTP hoặc dịch vụ gửi; chỉ ra file và dòng. Khoá SMTP/API có nằm trong code hay phía trình duyệt không. 2. Liệt kê các bản ghi DNS mình cần cho tên miền gửi: SPF (máy chủ nào được gửi), DKIM (selector, khoá do dịch vụ cấp), DMARC (bắt đầu p=none có rua để nhận báo cáo, rồi nâng dần). Viết sẵn giá trị mẫu, đánh dấu chỗ mình phải tự điền. 3. Tách thư giao dịch (xác minh, quên mật khẩu) và thư tiếp thị: đề xuất tên miền phụ hoặc luồng riêng cho thư tiếp thị. 4. Thư tiếp thị: kiểm có header List-Unsubscribe và List-Unsubscribe-Post (huỷ một chạm), có link huỷ trong thân thư, có lưu danh sách người đã huỷ và không gửi lại. 5. Kiểm giới hạn gửi: số thư mỗi phút/ngày, thử lại khi lỗi có giãn cách, không gửi trùng. 6. Nếu có agent hoặc job tự gửi thư chào hàng: kiểm có bước lưu bằng chứng người nhận đã đồng ý, có bước người duyệt trước đợt đầu, có nút dừng khẩn. Trả kết quả thành bảng: Mục | Hiện trạng | Rủi ro (cao/vừa/thấp) | Cách sửa, rồi danh sách việc cần làm theo thứ tự. Không gửi email thật nào trong lúc soát.

Prompt

Prompt soát agent theo bộ ba chết người của prompt injection

Soát agent của mình theo "bộ ba chết người" (lethal trifecta) của prompt injection. 1) Liệt kê mọi tool, quyền, kết nối, biến môi trường và nguồn dữ liệu agent dùng được (đọc file, email, database, web, API, gửi mail, gọi webhook/HTTP, tạo link hoặc ảnh từ URL, commit/push...). 2) Đánh dấu mỗi mục thuộc chân nào: (A) đọc dữ liệu riêng, (B) đọc nội dung lạ không tin được (trang web, email đến, PDF, issue, comment), (C) gửi được dữ liệu ra ngoài (mail, HTTP request, link/ảnh có tham số, commit/push). 3) Chỉ ra mọi luồng mà trong cùng một phiên/cùng một ngữ cảnh agent có đủ cả A, B và C — đó là luồng một câu lệnh giấu trong nội dung lạ có thể lấy dữ liệu ra ngoài. 4) Với mỗi luồng nguy hiểm, đề xuất: cắt ít nhất một chân (tách agent đọc web ra khỏi agent cầm dữ liệu và khoá, chặn gửi ra ngoài hoặc chỉ cho phép danh sách domain), thêm bước người duyệt trước các hành động nguy hiểm (gửi mail, chuyển tiền, xoá file, deploy), và coi mọi nội dung agent đọc được là dữ liệu chứ không phải mệnh lệnh (tách rõ khỏi chỉ dẫn hệ thống, không cho nó đổi mục tiêu hay gọi tool). 5) Báo bảng: Tool/quyền | Chân A/B/C | Nằm trong luồng đủ 3 chân? | Mức rủi ro | Cách sửa | Ưu tiên. Không in khoá, token hay dữ liệu thật ra kết quả.

Prompt

Prompt dựng bộ eval so model cũ và model mới

Giúp mình dựng một bộ eval để quyết định có nên đổi từ model cũ sang model mới hay không. 1) Gom 50–500 câu hỏi thật của người dùng (lấy từ log, đã xoá thông tin cá nhân), chia nhóm theo loại việc (phân loại, trích thông tin, tóm tắt, lên kế hoạch, viết code...). 2) Với mỗi câu, viết tiêu chí chấm đúng/sai rõ ràng (đáp án mẫu hoặc checklist) và định dạng đầu ra mà code đang chờ (ví dụ JSON schema). 3) Viết script chạy cả model cũ và model mới trên cùng bộ câu hỏi, cùng system prompt và tham số; ghi lại cho từng câu: đúng/sai, số token vào/ra, chi phí ước tính, độ trễ, có đúng định dạng đầu ra không, có gọi tool khác đi không. 4) Chấm tự động phần chấm được; câu nào không chấm tự động được thì đánh dấu để người duyệt. 5) Báo bảng kết quả theo từng nhóm việc: điểm đúng, token trung bình, chi phí, độ trễ p50/p95, tỉ lệ lỗi định dạng; liệt kê các câu model mới làm tệ hơn model cũ. 6) Kết luận có nên đổi không: đổi hẳn, chỉ đổi cho nhóm việc nào, hay giữ nguyên; đề xuất ngưỡng điểm để đặt bộ eval làm cổng trong CI (điểm tụt thì chặn đổi model). Khoá API đọc từ biến môi trường, không viết khoá vào code hay vào kết quả.