Optimización de prompts
Acorta y reestructura un prompt sin cambiar lo que pide. Cada reescritura se compara con el original, y una reescritura que pierde un requisito se rechaza.
La mayoría de los optimizadores de prompts pasan tu prompt a otro modelo y devuelven lo que salga. El resultado puede leerse bien y aun así perder una restricción. PromptFlowEngine hace lo contrario: aplica un pequeño conjunto de transformaciones documentadas y después demuestra que el resultado sigue conteniendo todo lo que contenía el original.
Hay tres modos. Conservative normaliza los espacios y elimina frases duplicadas exactas. Balanced además elimina relleno y fórmulas de cortesía. Structured, además, organiza el prompt en las secciones Task, Context, Requirements, Output format e Input y envuelve las variables de plantilla en etiquetas.
Cada modo produce un candidato. Un candidato solo se conserva si siguen presentes todas las frases originales, todos los requisitos extraídos y todos los fragmentos protegidos (código, citas, URL, variables), y si no introduce ninguna advertencia nueva. Tú eliges un objetivo: menos tokens, máxima calidad o un equilibrio. Si nada mejora el original, gana el original.
Ejemplo práctico
El motor produjo esta ejecución al construir la página, en modo structured con el objetivo balanced. Los hallazgos del motor y los prompts generados se muestran en inglés, tal como los devuelven el motor y la API.
Hello! I would like you to please rewrite the pull request description below so that it is clearer for reviewers. Please make sure to keep all of the technical details. Please make sure to keep all of the technical details. In order to help reviewers, add a 2-sentence summary at the top. Return markdown.
{{pr_description}}## Task
Rewrite the pull request description below so that it is clearer for reviewers.
## Context
To help reviewers, add a 2-sentence summary at the top.
## Requirements
- Make sure to keep all of the technical details.
## Output format
- Return markdown.
## Input
<pr_description>
{{pr_description}}
</pr_description>Calculado por el motor al construir esta página. Cambio de tokens: 5,9 %; 3 problemas corregidos; 0 quedan para ti como sugerencias. El modo structured puede añadir encabezados, por eso el objetivo balanced admite un pequeño aumento de tokens a cambio de una puntuación más alta.
Frases, requisitos y fragmentos protegidos se comparan antes y después. Una comprobación fallida rechaza el candidato y muestra el motivo.
Cada edición se enumera con su justificación, junto a un diff palabra por palabra del original frente al resultado.
Los recuentos de tokens antes y después usan el tokenizador real de los modelos de OpenAI, con la diferencia de coste por llamada.
Las lagunas que requieren tu conocimiento, como un público no especificado, vuelven como sugerencias en lugar de texto inventado.
Conservative, balanced y structured, desde la limpieza de espacios hasta la división completa en secciones.
Optimiza para tokens, para la puntuación de calidad o para la mejor puntuación dentro de un margen de tokens.
Fija un máximo y el optimizador indica si algún candidato verificado cabe dentro.
Los bloques de código, el código en línea, el texto citado, las URL, los bloques con etiquetas XML y las variables se restauran byte a byte.
Una operación aparte que convierte una petición de una línea en un prompt de ingeniería por secciones, con cada línea añadida etiquetada.
Pon dos versiones lado a lado y ve la diferencia de tokens, coste y calidad, además de qué problemas se corrigieron o se introdujeron.
Ejecuta el modo balanced con el objetivo de tokens en un prompt que se ejecuta en cada solicitud y quédate con el ahorro, con garantías sobre el contenido.
El modo structured separa tarea, contexto, requisitos y formato de salida, lo que hace mucho más segura la siguiente edición.
Comparte el diff y la lista de cambios con un revisor para que la conversación trate sobre los cambios y no sobre encontrarlos.
Usa un presupuesto de tokens para saber cuánto puede encogerse un prompt antes de que una persona tenga que recortar algo.
Un modelo reescribe libremente y puede añadir, quitar o reinterpretar instrucciones. Este optimizador aplica transformaciones fijas y después verifica que todas las frases y requisitos originales siguen presentes. Es menos creativo y mucho más predecible.
Elimina causas conocidas de malas respuestas, como las repeticiones, el relleno y la falta de estructura. No puede medir la calidad de la respuesta, porque no ejecuta el prompt. Prueba el resultado con tu modelo en cualquier caso importante.
Sí. Las transformaciones tratan sobre la redacción y la estructura, que se aplican a cualquier modelo. Los recuentos de tokens son exactos para los modelos de OpenAI y aproximados para otros proveedores.
Los bloques de código, el código en línea, las citas, las URL y las variables de plantilla se ocultan antes de cualquier transformación y se restauran exactamente después.
Todos los productos ejecutan el mismo motor, así que se combinan sin sorpresas.
Guías del centro de conocimiento de ingeniería de prompts que explican las ideas que aplica este producto.
Gratis, determinista y privado. Sin registro.