Otimização de prompts
Encurte e reestruture um prompt sem mudar o que ele pede. Cada reescrita é conferida com o original, e uma reescrita que perde um requisito é rejeitada.
A maioria dos otimizadores de prompts entrega o seu prompt a outro modelo e devolve o que sair. O resultado pode ficar bonito e mesmo assim perder uma restrição. O PromptFlowEngine faz o contrário: aplica um pequeno conjunto de transformações documentadas e depois prova que o resultado ainda contém tudo o que o original continha.
Há três modos. Conservative normaliza espaços e remove frases duplicadas exatas. Balanced também remove enchimento e fórmulas de cortesia. Structured, além disso, organiza o prompt nas seções Task, Context, Requirements, Output format e Input e envolve as variáveis de template em tags.
Cada modo gera um candidato. Um candidato só é mantido se todas as frases originais, todos os requisitos extraídos e todos os trechos protegidos (código, citações, URLs, variáveis) continuarem presentes e se ele não introduzir nenhum aviso novo. Você escolhe um objetivo: menos tokens, mais qualidade ou um equilíbrio. Se nada superar o original, o original vence.
Exemplo prático
O motor gerou esta execução quando a página foi construída, no modo structured com o objetivo balanced. Os resultados do motor e os prompts gerados aparecem em inglês, exatamente como o motor e a API os retornam.
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 pelo motor quando esta página foi construída. Variação de tokens: 5,9%; 3 problemas corrigidos; 0 ficaram para você como sugestões. O modo structured pode acrescentar títulos, por isso o objetivo balanced aceita um pequeno aumento de tokens em troca de uma pontuação maior.
Frases, requisitos e trechos protegidos são comparados antes e depois. Uma verificação que falha rejeita o candidato e mostra o motivo.
Cada edição é listada com sua justificativa, ao lado de um diff palavra por palavra entre o original e o resultado.
As contagens de tokens antes e depois usam o tokenizador real dos modelos da OpenAI, com a diferença de custo por chamada.
Lacunas que dependem do seu conhecimento, como um público não especificado, voltam como sugestões em vez de texto inventado.
Conservative, balanced e structured, da limpeza de espaços à divisão completa em seções.
Otimize para tokens, para a pontuação de qualidade ou para a melhor pontuação dentro de uma margem de tokens.
Defina um máximo e o otimizador informa se algum candidato verificado cabe nele.
Blocos de código, código em linha, texto citado, URLs, blocos com tags XML e variáveis são restaurados byte a byte.
Uma operação separada que transforma um pedido de uma linha em um prompt de engenharia por seções, com cada linha acrescentada identificada.
Coloque duas versões lado a lado e veja a diferença de tokens, custo e qualidade, além dos problemas corrigidos ou introduzidos.
Rode o modo balanced com o objetivo tokens em um prompt executado a cada requisição e fique com a economia, com garantia sobre o conteúdo.
O modo structured separa tarefa, contexto, requisitos e formato de saída, o que torna a próxima edição muito mais segura.
Compartilhe o diff e a lista de mudanças com um revisor para que a conversa seja sobre as mudanças, e não sobre encontrá-las.
Use um orçamento de tokens para descobrir até onde um prompt pode encolher antes que alguém precise cortar algo.
Um modelo reescreve livremente e pode acrescentar, remover ou reinterpretar instruções. Este otimizador aplica transformações fixas e depois verifica que todas as frases e requisitos originais continuam presentes. Ele é menos criativo e muito mais previsível.
Ele remove causas conhecidas de respostas ruins, como repetição, enchimento e falta de estrutura. Ele não consegue medir a qualidade da resposta, porque não executa o prompt. Teste o resultado com o seu modelo em tudo o que for importante.
Sim. As transformações tratam de redação e estrutura, que valem para qualquer modelo. As contagens de tokens são exatas para modelos da OpenAI e aproximadas para outros provedores.
Blocos de código, código em linha, citações, URLs e variáveis de template são mascarados antes de qualquer transformação e restaurados exatamente depois.
Todos os produtos rodam o mesmo motor, então se combinam sem surpresas.
Guias da central de conhecimento de engenharia de prompts que explicam as ideias que este produto aplica.
Gratuito, determinístico e privado. Sem cadastro.