Elysia Tools
Navegación
Workflow Playbook
Prepara entradas para LLM estructurando prompts, estimando tokens, traduciendo o detectando idioma, limpiando PDF y revisando riesgos de inyeccion, matematicas, regex y datos.
Temas
Una llamada LLM util rara vez es una sola frase. Normalmente combina instruccion, evidencia fuente, expectativas de idioma, reglas de formato de datos y notas de riesgo. Este flujo mantiene esas partes separadas hasta que esten listas para ensamblarse.
Empieza con prompt-optimizer para hacer visibles rol, tarea, restricciones y ejemplos. Luego usa ai-token-estimator para comprobar si la instruccion y la evidencia previstas caben en la ventana de contexto objetivo. La estimacion es evidencia de planificacion, no una promesa sobre como respondera el modelo.
Si un PDF se convertira en texto de apoyo, extrae una version limpia con pdf-to-clean-text-for-llm y ejecuta pdf-prompt-injection-scanner antes de llevarlo a una automatizacion o chat. El texto oculto, diminuto, fuera de pagina o por capas debe revisarse como riesgo, no mezclarse silenciosamente en el prompt.
Para entradas multilingues, combina prompt-translator con ai-language-detector para que la instruccion final nombre el idioma previsto y conserve terminologia importante. Si el prompt referencia tablas, JSON, CSV, ecuaciones o expresiones regulares, usa ai-data-normalizer, ai-math-solver y ai-regex-explainer para hacer explicitos esos detalles.
El entregable final debe ser un paquete preparado: prompt, notas de tokens, texto fuente limpio, supuestos de idioma, datos normalizados y advertencias de seguridad. Tambien debe indicar que sigue siendo incierto. Estas herramientas mejoran claridad y revision, pero no garantizan calidad, exactitud ni seguridad en la salida final del modelo.
Guía de flujo de trabajo
Reescribe la instruccion inicial en una estructura revisable y estima tokens antes de agregar material fuente o ejemplos.
Traduce prompts para uso multilingue y detecta mezcla de idiomas en la fuente para hacer visibles terminos, locale y supuestos de escritura.
Extrae texto limpio de PDF para grounding y escanea texto oculto, fuera de pagina o diminuto que podria contaminar la entrada LLM.
Limpia datos estructurados desordenados y explicita problemas matematicos o expresiones regulares antes de referenciarlos en el prompt final.
Empieza con optimizacion de prompts y estimacion de tokens si la instruccion es ambigua; con limpieza y escaneo de PDF si la evidencia documental es riesgosa; o con idioma y datos si la entrada es multilingue o estructurada.
Usa los asistentes de matematicas y regex para hacer explicitas ecuaciones o patrones antes de incrustarlos en el prompt. Mejoran la revision, pero no garantizan la respuesta final del modelo.