Elysia Tools
Navigation mobile
Workflow Playbook
Preparez les entrees LLM en structurant les prompts, estimant les tokens, traduisant ou detectant la langue, nettoyant les PDF et revisant les risques d'injection, de maths, de regex et de donnees.
Dossiers
Un appel LLM utile est rarement une seule phrase. Il combine souvent instruction, preuve source, attentes de langue, regles de format et notes de risque. Ce workflow garde ces parties separees jusqu'a ce qu'elles soient pretes a etre assemblees.
Commencez avec prompt-optimizer pour rendre visibles role, tache, contraintes et exemples. Utilisez ensuite ai-token-estimator pour verifier si l'instruction et les preuves prevues tiennent dans la fenetre de contexte cible. L'estimation est une preuve de planification, pas une promesse sur la reponse du modele.
Si un PDF devient texte d'ancrage, extrayez une version propre avec pdf-to-clean-text-for-llm et lancez pdf-prompt-injection-scanner avant toute automatisation ou conversation. Le texte cache, minuscule, hors page ou en couches doit etre revu comme un risque, pas ajoute silencieusement au prompt.
Pour une entree multilingue, combinez prompt-translator et ai-language-detector afin que l'instruction finale nomme la langue visee et conserve les termes importants. Si le prompt cite tableaux, JSON, CSV, equations ou regex, utilisez ai-data-normalizer, ai-math-solver et ai-regex-explainer pour expliciter ces details.
Le livrable final doit etre un paquet prepare : prompt, notes de tokens, texte source nettoye, hypotheses linguistiques, donnees normalisees et avertissements de securite. Il doit aussi indiquer ce qui reste incertain. Ces outils ameliorent clarte et revue, mais ne garantissent ni qualite, ni exactitude, ni securite de la sortie finale du modele.
Guide de workflow
Reecrivez l'instruction brute dans une structure revisable, puis estimez les tokens avant d'ajouter sources ou exemples.
Traduisez les prompts pour un usage multilingue et detectez les melanges de langues afin de rendre visibles terminologie, locale et hypotheses d'ecriture.
Extrayez un texte PDF propre pour l'ancrage et scannez le texte cache, hors page ou minuscule susceptible de contaminer l'entree LLM.
Nettoyez les donnees structurees desordonnees et explicitez problemes mathematiques ou expressions regulieres avant le prompt final.
Commencez par l'optimisation de prompt et l'estimation de tokens pour une instruction floue, par le nettoyage et le scan PDF pour une preuve documentaire risquee, ou par les controles de langue et de donnees si l'entree est multilingue ou structuree.
Utilisez les aides mathematiques et regex pour rendre equations ou motifs explicites avant de les integrer au prompt. Cela aide la revue, mais ne garantit pas la reponse finale du modele.