Elysia Tools
Навигация
Workflow Playbook
Готовьте входные данные для LLM: структурируйте промпты, оценивайте токены, переводите или определяйте язык, очищайте PDF и проверяйте риски инъекций, математики, regex и данных.
Темы
Полезный вызов LLM редко состоит из одной фразы. Обычно он объединяет инструкцию, исходные доказательства, языковые ожидания, правила формата данных и заметки о рисках. Этот workflow держит части отдельно, пока они не готовы к сборке.
Начните с prompt-optimizer, чтобы явно показать роль, задачу, ограничения и примеры. Затем используйте ai-token-estimator, чтобы проверить, помещаются ли планируемая инструкция и доказательства в целевое контекстное окно. Оценка является плановой информацией, а не обещанием определенного ответа модели.
Если PDF станет опорным текстом, извлеките чистую версию с pdf-to-clean-text-for-llm и запустите pdf-prompt-injection-scanner до передачи в автоматизацию или чат. Скрытый, мелкий, внестраничный или слоеный текст следует рассматривать как риск, а не незаметно добавлять в промпт.
Для многоязычного входа сочетайте prompt-translator с ai-language-detector, чтобы финальная инструкция называла целевой язык и сохраняла важные термины. Если промпт ссылается на таблицы, JSON, CSV, уравнения или regex, используйте ai-data-normalizer, ai-math-solver и ai-regex-explainer, чтобы сделать детали явными.
Финальный результат должен быть подготовленным входным пакетом: промпт, заметки о токенах, очищенный исходный текст, языковые допущения, нормализованные данные и предупреждения безопасности. Он также должен назвать оставшиеся неопределенности. Эти инструменты улучшают ясность и проверяемость, но не гарантируют качество, точность или безопасность итогового вывода модели.
Руководство по рабочему процессу
Перепишите черновую инструкцию в проверяемую структуру, затем оцените токены до добавления источников или примеров.
Переведите промпты для многоязычного использования и определите смесь языков в источнике, чтобы были видны термины, локаль и письменные допущения.
Извлеките чистый PDF-текст для grounding и просканируйте скрытый, внестраничный или мелкий текст, который может загрязнить вход LLM.
Очистите беспорядочные структурированные данные и явно опишите математические задачи или регулярные выражения до ссылки на них в финальном промпте.
Начните с оптимизации промпта и оценки токенов для неясной инструкции, с очистки и сканирования PDF для рискованных документов, либо с проверки языка и данных для многоязычного или структурированного входа.
Используйте математические и regex-помощники, чтобы явно описать уравнения или шаблоны до вставки в промпт. Это улучшает проверяемость, но не гарантирует итоговый ответ модели.