Elysia Tools
Navegação
Workflow Playbook
Prepare entradas para LLM estruturando prompts, estimando tokens, traduzindo ou detectando idioma, limpando PDFs e revisando riscos de injecao, matematica, regex e dados.
Temas
Uma chamada LLM util raramente e apenas uma frase. Ela geralmente combina instrucao, evidencia fonte, expectativas de idioma, regras de formato de dados e notas de risco. Este fluxo mantem essas partes separadas ate que estejam prontas para montagem.
Comece com prompt-optimizer para tornar papel, tarefa, restricoes e exemplos visiveis. Depois use ai-token-estimator para verificar se a instrucao e as evidencias planejadas cabem na janela de contexto alvo. A estimativa e evidencia de planejamento, nao promessa de como o modelo respondera.
Se um PDF virar texto de apoio, extraia uma versao limpa com pdf-to-clean-text-for-llm e execute pdf-prompt-injection-scanner antes de levar o conteudo para automacao ou chat. Texto oculto, pequeno, fora da pagina ou em camadas deve ser revisado como risco, nao misturado silenciosamente ao prompt.
Para entrada multilingue, combine prompt-translator com ai-language-detector para que a instrucao final nomeie o idioma previsto e preserve terminologia importante. Se o prompt referencia tabelas, JSON, CSV, equacoes ou regex, use ai-data-normalizer, ai-math-solver e ai-regex-explainer para explicitar esses detalhes.
O entregavel final deve ser um pacote preparado: prompt, notas de tokens, texto fonte limpo, suposicoes de idioma, dados normalizados e avisos de seguranca. Ele tambem deve dizer o que continua incerto. Essas ferramentas melhoram clareza e revisao, mas nao garantem qualidade, exatidao nem seguranca da saida final do modelo.
Guia de fluxo de trabalho
Reescreva a instrucao inicial em uma estrutura revisavel e estime tokens antes de adicionar material fonte ou exemplos.
Traduza prompts para uso multilingue e detecte mistura de idiomas na fonte para deixar visiveis terminologia, locale e suposicoes de escrita.
Extraia texto limpo de PDF para ancoragem e escaneie texto oculto, fora da pagina ou muito pequeno que possa contaminar a entrada LLM.
Limpe dados estruturados baguncados e torne problemas matematicos ou expressoes regulares explicitos antes de referencia-los no prompt final.
Comece com otimizacao de prompt e estimativa de tokens para instrucoes confusas, com limpeza e scanner de PDF para evidencias documentais arriscadas, ou com idioma e dados quando a entrada for multilingue ou estruturada.
Use os auxiliares de matematica e regex para tornar equacoes ou padroes explicitos antes de embuti-los no prompt. Eles melhoram a revisao, mas nao garantem a resposta final do modelo.