| Herramienta | Qué hace |
|---|---|
optimize_prompt | Optimize a prompt with deterministic, verified transforms (duplicates, filler, optional sections). Every candidate is checked to preserve all sentences, requirements, code, and variables; the original is kept if nothing is better. Returns the selected prompt, token savings, quality score, and what changed. |
optimize_prompt_pipeline | Run the optimization pipeline and return per-stage results plus token and estimated cost metrics, in the result shape used by the PromptFlow VS Code extension. |
compress_prompt | Remove exact duplicate sentences and extra whitespace without rewriting any wording. |
validate_prompt | Check a prompt for missing objective or output format, ambiguity, conflicting instructions, duplicates, prompt-injection patterns, secrets, and undelimited variables. isValid is false only when a critical issue exists. |
estimate_tokens | Count tokens and estimate input cost for a model. "exact" is true only for OpenAI models with a loaded tokenizer; other providers are approximate. Costs are estimates from a reference price table. |
analyze_prompt | Detect intent, task type, technical domain, requested output, requirements, and entities (languages, frameworks, file paths, identifiers). |
extract_entities | Extract languages, frameworks, libraries, cloud platforms, services, technologies, file paths, identifiers, URLs, and commands. |
summarize_context | Extractive summary: the first N unique, non-empty sentences of a context block, in order. Does not rank or rewrite. |
score_prompt | Score prompt quality 0-100: 100 minus a penalty per issue (critical 30, warning 10, info 3; capped at 50 with any critical issue), with per-dimension scores and suggestions. |
evaluate_prompt | Full quality report: overall score, grade, eight quality dimensions with the checks that failed, and every finding with why it matters and how to fix it. |
compare_prompts | Compare two prompts: token and estimated cost delta, quality delta per dimension, and which findings were resolved or introduced. |
scan_prompt_security | Prompt-injection risk (0-100, signature-based, with threat ids), sensitive-data counts by category, undelimited template variables, and destructive operations. Never returns detected secret values. |
scan_sensitive_data | Scan text for credentials, cloud secrets, and PII with local deterministic detectors. Returns offsets and per-category counts, never the sensitive values. |
sanitize_prompt | Replace detected sensitive data with placeholders such as [REDACTED_API_KEY]. Returns the sanitized text and counts, never the original values. Use before sending a prompt to an external model. |
restructure_prompt | Turn a loosely written request into a sectioned engineering prompt: Role, Objective, Context, Requirements, Constraints, Edge cases, Testing, Acceptance criteria, Expected output. Only sections with content appear. The author's clauses are kept and reordered; for software tasks, fixed engineering guidance chosen by intent and topic is added, and every line is labeled "prompt" or "engine" so additions can be reviewed. Set scaffold=false to reorganize without adding guidance. |
convert_structured_payload | Convert a JSON payload to TOON (Token-Oriented Object Notation) and say whether to use it. Returns token counts for pretty JSON, compact JSON and TOON, a round-trip check (the TOON must decode back to the same value), and the recommendation: "toon" only when it round-trips and saves at least 5 % over compact JSON, otherwise "json". Lossless or it keeps JSON. |
simulate_cost | Simulate what a prompt costs across models at a request volume, from catalog list prices (labelled simulated, never a bill). Optionally optimizes the prompt first and reports hypothetical savings. Flags models whose context window is too small. |
analyze_context_budget | Measure the context sources you intend to send with a prompt: tokens and share per source, context-window usage with an output reserve, sensitive data (categories and counts only), instruction-like text in retrieved sources, and duplicates. Reads only the text passed in; never reads files. |
run_prompt_tests | Run a regression suite against a prompt. Assertions check the prompt (contains, not_contains, matches, max_tokens, min_quality, no_finding, max_severity, has_variables, max_injection_risk, no_sensitive_data, output_format) and, when a case carries a recorded model response, the response (response_valid_json, response_has_keys, response_contains, response_max_chars). With baseline_prompt, also runs the suite on the baseline and lists cases that regressed. No model is called. |
Integración con agentes
Servidor MCP para análisis de prompts
Conecta PromptFlowEngine con agentes de IA y flujos compatibles con MCP. Tu asistente puede analizar, reestructurar, optimizar y sanear un prompt como un paso más de su propio trabajo.
- Transporte stdio
- Herramientas de solo lectura
- Compilar desde el código fuente
Qué hace
El Model Context Protocol es una forma estándar de que una aplicación de IA llame a herramientas externas. PromptFlowEngine incluye un servidor MCP que expone el motor como herramientas, de modo que un agente en GitHub Copilot, Claude Desktop, Claude Code, Cursor o tu propio cliente puede usarlo sin código de integración a medida.
El servidor se ejecuta en tu equipo como proceso hijo del cliente y habla JSON-RPC por stdio. Solo lee los argumentos que recibe, no hace llamadas de red y no tiene herramientas de archivos ni de shell. Todas las herramientas están anotadas como de solo lectura e idempotentes.
No hay ningún endpoint alojado ni autenticación que configurar. El paquete de npm aún no está publicado, así que compilas el servidor desde el repositorio y apuntas tu cliente al archivo compilado. Para uso remoto, llama a la API HTTP.
Ejemplo práctico
Las herramientas que recibe tu agente
Esta lista se genera a partir del propio registro de herramientas del servidor al construir la página, así que coincide con lo que ve un cliente al conectarse. Los hallazgos del motor y los prompts generados se muestran en inglés, tal como los devuelven el motor y la API.
.vscode/mcp.json
{
"servers": {
"promptflow": {
"type": "stdio",
"command": "node",
"args": ["/absolute/path/to/checkout/packages/mcp-server/dist/bin.js"]
}
}
}pídeselo a tu agente
Use promptflow to restructure this before you start:
"fix login issue and make google login work and don't break anything"19 herramientas, todas de solo lectura. Otros clientes usan el mismo comando bajo una clave mcpServers.
Ventajas principales
Una configuración, muchos clientes
La misma entrada de servidor funciona en cualquier cliente que admita servidores MCP por stdio.
Seguro para un agente
Sin acceso a archivos, shell ni red, así que un agente con un prompt inyectado no puede usarlo para llegar a nada.
Resultados deterministas
Un agente que llama dos veces a una herramienta con los mismos argumentos obtiene la misma respuesta.
Errores con los que un agente puede actuar
Los argumentos incorrectos devuelven un error de herramienta con el motivo, para que el agente corrija y reintente.
Funciones
Herramientas de prompts
Analizar, validar, optimizar, reestructurar, comparar, estimar tokens, escanear y sanear.
Recursos
El catálogo de reglas y el catálogo de modelos pueden leerse como recursos MCP.
Un prompt de revisión
Un prompt MCP integrado pide al asistente que evalúe y optimice un prompt pasado como datos.
Límites de tamaño
Un tope configurable de caracteres aceptados por argumento.
Registro sin contenido
Los registros de depuración guardan el nombre de la herramienta, el tamaño de la entrada, el resultado y la duración, nunca el texto.
Incluido en VS Code
La extensión de VS Code registra el servidor por ti al activarse.
Para quién es
- Desarrolladores que usan agentes de programaciónHaz que el agente reestructure una tarea imprecisa en una especificación antes de empezar a editar archivos.
- Quienes construyen agentesDa a un agente una forma determinista de revisar y sanear los prompts que escribe para subagentes u otros modelos.
- Equipos que se estandarizan en MCPAñade calidad de prompts y detección de secretos a todos los clientes MCP con una sola entrada de servidor.
Casos de uso
- 01
Especifica antes de programar
Pide al agente que primero reestructure la tarea con promptflow y que después implemente según los criterios de aceptación.
- 02
Sanea antes de delegar
Haz que un agente orquestador sanee el contexto antes de pasarlo a otro modelo o herramienta.
- 03
Revisa los prompts generados
Cuando un agente escribe un prompt para una subtarea, valídalo y corrige automáticamente los hallazgos críticos.
- 04
Controla el presupuesto de tokens
Deja que el agente estime los tokens de un borrador antes de decidir cuánto contexto incluir.
Preguntas frecuentes
¿Qué es un servidor MCP?
Un servidor MCP es un programa que ofrece herramientas, recursos y prompts a una aplicación de IA mediante el Model Context Protocol. La aplicación de IA, llamada cliente, decide cuándo llamarlos.
¿Con qué clientes MCP funciona?
Con cualquier cliente que pueda iniciar un servidor stdio local, incluidos el modo agente de GitHub Copilot en VS Code, Claude Desktop, Claude Code y Cursor.
¿Hay un endpoint MCP alojado o remoto?
No. El transporte es solo stdio y el servidor se ejecuta en tu equipo. Para acceso remoto, usa la API HTTP.
¿Puede el servidor leer mis archivos?
No. No tiene herramientas de archivos, shell ni red. Solo procesa el texto que se pasa a una herramienta como argumento.
Otras capacidades de PromptFlowEngine
Todos los productos ejecutan el mismo motor, así que se combinan sin sorpresas.
- IntegraciónAPI HTTPIntegra el análisis y la optimización de prompts directamente en tus aplicaciones.
- IntegraciónExtensión de VS CodeLleva la optimización de prompts de PromptFlowEngine directamente a tu flujo de desarrollo.
- HerramientaSeguridad de promptsDetecta frases de inyección, secretos filtrados y datos personales, y después los oculta.
- DocumentaciónDocumentación del cliente MCPReferencia y detalles de configuración.
- DocumentaciónExtensión de VS CodeReferencia y detalles de configuración.
Aprende la técnica que hay detrás
Guías del centro de conocimiento de ingeniería de prompts que explican las ideas que aplica este producto.
- Guía¿Qué es MCP? El Model Context Protocol explicadoCómo MCP conecta las aplicaciones de IA con herramientas y datos, sus bloques de construcción y su modelo de seguridad.
- GuíaPrompts para agentes de IA: instrucciones, herramientas y flujos de trabajoInstrucciones del agente, descripciones de herramientas, gestión del contexto y cuándo un flujo de trabajo supera a un agente.
- GuíaPrompting ReAct: razonar y actuar con herramientasCómo funciona el bucle razonar, actuar, observar, con un ejemplo de prompt y los modos de fallo habituales.
Un solo motor, dondequiera que trabajes con IA.
Gratis, determinista y privado. Sin registro.