Optimisation de prompts
Raccourcissez et restructurez un prompt sans changer ce qu’il demande. Chaque réécriture est comparée à l’original, et une réécriture qui perd une exigence est rejetée.
La plupart des optimiseurs de prompts confient votre prompt à un autre modèle et renvoient ce qui en sort. Le résultat peut bien se lire et perdre malgré tout une contrainte. PromptFlowEngine fait l’inverse : il applique un petit ensemble de transformations documentées, puis prouve que le résultat contient toujours tout ce que contenait l’original.
Il existe trois modes. Conservative normalise les espaces et supprime les phrases strictement dupliquées. Balanced supprime en plus le remplissage et les formules de politesse. Structured organise en outre le prompt en sections Task, Context, Requirements, Output format et Input, et entoure les variables de modèle de balises.
Chaque mode produit un candidat. Un candidat n’est conservé que si chaque phrase d’origine, chaque exigence extraite et chaque passage protégé (code, citations, URL, variables) sont toujours présents et s’il n’introduit aucun nouvel avertissement. Vous choisissez un objectif : le moins de tokens, la meilleure qualité ou un équilibre. Si rien ne bat l’original, l’original l’emporte.
Exemple concret
Le moteur a produit cette exécution lors de la construction de la page, en mode structured avec l’objectif balanced. Les constats du moteur et les prompts générés sont affichés en anglais, tels que le moteur et l’API les renvoient.
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>Calculé par le moteur lors de la construction de cette page. Variation des tokens : 5,9 % ; 3 problèmes corrigés ; 0 laissés à votre appréciation sous forme de suggestions. Le mode structured peut ajouter des titres : c’est pourquoi l’objectif balanced accepte une légère hausse des tokens en échange d’une meilleure note.
Phrases, exigences et passages protégés sont comparés avant et après. Un contrôle échoué rejette le candidat et en affiche la raison.
Chaque modification est listée avec sa justification, à côté d’un diff mot à mot entre l’original et le résultat.
Les comptages de tokens avant et après utilisent le vrai tokeniseur des modèles OpenAI, avec l’écart de coût par appel.
Les lacunes qui demandent vos connaissances, comme un public non précisé, reviennent sous forme de suggestions plutôt que de texte inventé.
Conservative, balanced et structured, du nettoyage des espaces au découpage complet en sections.
Optimiser pour les tokens, pour la note de qualité ou pour la meilleure note dans une enveloppe de tokens.
Fixez un maximum : l’optimiseur indique si un candidat vérifié tient dedans.
Les blocs de code, le code en ligne, le texte cité, les URL, les blocs balisés en XML et les variables sont restitués à l’octet près.
Une opération distincte qui transforme une demande d’une ligne en un prompt d’ingénierie en sections, chaque ligne ajoutée étant signalée.
Placez deux versions côte à côte et voyez l’écart de tokens, de coût et de qualité, ainsi que les problèmes corrigés ou introduits.
Lancez le mode balanced avec l’objectif tokens sur un prompt exécuté à chaque requête, et empochez l’économie avec une garantie sur le contenu.
Le mode structured sépare tâche, contexte, exigences et format de sortie, ce qui rend la prochaine modification bien plus sûre.
Partagez le diff et la liste des modifications avec un relecteur pour que la discussion porte sur les changements, pas sur leur repérage.
Utilisez un budget de tokens pour savoir jusqu’où un prompt peut se réduire avant qu’une personne doive couper quelque chose.
Un modèle réécrit librement et peut ajouter, supprimer ou réinterpréter des instructions. Cet optimiseur applique des transformations fixes, puis vérifie que chaque phrase et chaque exigence d’origine sont toujours présentes. Il est moins créatif et beaucoup plus prévisible.
Il supprime des causes connues de mauvaises réponses, comme les répétitions, le remplissage et le manque de structure. Il ne peut pas mesurer la qualité des réponses, car il n’exécute pas le prompt. Testez le résultat avec votre modèle pour tout usage important.
Oui. Les transformations portent sur la formulation et la structure, valables pour tout modèle. Les comptages de tokens sont exacts pour les modèles OpenAI et approximatifs pour les autres fournisseurs.
Les blocs de code, le code en ligne, les citations, les URL et les variables de modèle sont masqués avant toute transformation, puis restitués à l’identique.
Tous les produits utilisent le même moteur : ils se combinent sans surprise.
Des guides du centre de connaissances sur l’ingénierie de prompts qui expliquent les idées appliquées par ce produit.
Gratuit, déterministe et confidentiel. Sans inscription.