Ir al contenido principal

Promptes personalizados

💡TL;DR

Notemd le permite sobrescribir el mensaje predeterminado LLM para cada tipo de tarea. Los mensajes personalizados le brindan control sobre lo que el modelo prioriza: puede restringir la extracción de conceptos a una disciplina específica, cambiar el estilo de enlace o redirigir el tono de la traducción. Las variables de mensaje como {{content}} y {{concept}} se sustituyen en tiempo de ejecución. La función de dominio de aprendizaje enfocado añade automáticamente su campo de estudio al inicio para delimitar los resultados de la extracción.

Esto forma parte de la Obsidian Guía de Gestión del Conocimiento de IA.

Resumen general​

Los prompts integrados de Notemd están diseñados para tareas de conocimiento de uso general. Funcionan bien en distintos dominios, pero también dejan espacio para mejoras específicas de cada área. Los prompts personalizados le permiten indicarle a LLM exactamente cómo debe comportarse según su caso de uso: ya sea extrayendo solo terminología médica, vinculando únicamente entidades nombradas o traduciendo en un registro formal.

Los prompts personalizados no reemplazan todo el prompt del sistema. Sustituyen o complementan la parte de instrucciones específicas para la tarea, al tiempo que preservan el formato estructural de salida (por ejemplo, las líneas CONCEPT:, la sintaxis de enlaces wiki) del cual Notemd depende para su análisis.

Cómo funciona​

Arquitectura de prompts​

Cada tarea Notemd sigue la misma estructura de instrucción:

[System role: You are a helpful assistant...]
[Domain constraint: Relevant Fields: [{domain}]]   <-- focused learning (optional)
[Custom task prompt]                                <-- your override (optional)
[Output format instructions]                        <-- always preserved
[Content: {{content}}]                              <-- runtime substitution
  1. Prompt del sistema base -- Establece la personalidad del asistente. No se puede sobrescribir.
  2. Dominio de aprendizaje enfocado -- Agrega Relevant Fields: [medicine / law / computer science / ...] al principio para restringir el alcance. Se trata de un interruptor de configuración, no de una instrucción directa.
  3. Prompt de tarea personalizada -- Sustituye las instrucciones de tarea predeterminadas (por ejemplo, qué tipos de conceptos extraer, con qué intensidad hacer enlaces).
  4. Formato de salida -- Reglas estructurales (líneas CONCEPT:, formato de enlace wiki). Siempre se agrega Notemd al final para garantizar la posibilidad de análisis.
  5. Contenido -- El texto real de la nota, sustituido en tiempo de ejecución mediante {{content}}.

Variables de prompt​

Las variables se reemplazan en tiempo de ejecución. Las variables disponibles varían según la tarea:

VariableTareasSustituido por
{{content}}TodoEl texto de la nota o selección
{{concept}}Plantilla de nota conceptualEl nombre del concepto extraído
{{description}}Plantilla de nota conceptualDescripción del concepto generado por LLM
{{backlinks}}Plantilla de nota conceptualLista de notas de origen con enlaces
{{date}}Plantilla de nota conceptualFecha actual (AAAA-MM-DD)
{{language}}TraducciónIdioma de salida objetivo
{{source}}Plantilla de nota conceptualNota de origen nombre del archivo base

Dominio de Aprendizaje Enfocado​

La función de aprendizaje enfocado es una forma abreviada para delimitar el dominio. En lugar de escribir un prompt personalizado que mencione tu campo, debes establecer focusedLearningDomain en la configuración:

Settings → Advanced → Focused Learning Domain
Example: "medicine" or "computer science" or "Chinese philosophy"

Esto añade Relevant Fields: [medicine] al prompt de extracción, lo que hace que LLM priorice los conceptos relacionados con el dominio y suprima los genéricos. Es más ligero que un prompt personalizado completo y funciona en todas las tareas de extracción.

Configuración​

ConfiguraciónPredeterminadoEfecto
customAddLinksPrompt''Sobrescribir el mensaje predeterminado de la tarea add-links
customExtractConceptsPrompt''Sobrescribir el prompt predeterminado de extracción de conceptos
customResearchPrompt''Sobrescribir la instrucción predeterminada de investigación + resumen
customTranslatePrompt''Sobrescribir el mensaje de traducción predeterminado
customDiagramPrompt''Sobrescribir el mensaje predeterminado para la generación de diagramas
focusedLearningDomain''Añada el contexto de disciplina a los prompts de extracción y enlace.
extractConceptsMinimalTemplatetrueUtilice el plantilla de nota conceptual solo con título (afecta al alcance de la plantilla {{concept}})
customConceptNoteTemplate''Sobrescribir el plantilla del archivo de nota conceptual con soporte completo para variables

Cuando un campo de prompt personalizado está vacío, se utiliza el prompt predeterminado incorporado.

Ejemplo​

Eres un investigador médico que extrae conceptos de las notas de ensayos clínicos. El prompt por defecto extrae sustantivos genéricos junto con términos médicos, lo que desordena tu carpeta de conceptos.

Solución: Establezca un dominio de aprendizaje específico y una instrucción de extracción personalizada.

  1. Establece focusedLearningDomain en medicine
  2. Establecer customExtractConceptsPrompt en:
Extract only clinically relevant concepts: diseases, drug names,
anatomical terms, measurement endpoints, and statistical methods.
Ignore generic English nouns, brand names, and institutional names.
Prioritize MeSH terminology where applicable.

Ahora, cuando ejecutas "Extract concepts" en una nota clínica, el LLM produce:

CONCEPT: Randomized Controlled Trial
CONCEPT: Double-Blind Method
CONCEPT: Myocardial Infarction
CONCEPT: Creatine Kinase-MB
CONCEPT: Kaplan-Meier Estimate

En lugar del comportamiento predeterminado que también podría extraer términos genéricos no deseados como "hospital" o "mes".

Consejos​

  • Comience con el dominio de aprendizaje específico antes de escribir una instrucción personalizada completa. Con un único ajuste, cubre el 80% de los casos de uso.
  • Mantener el formato de salida -- Nunca elimine instrucciones de formato como "uno por línea" o "CONCEPT: prefijo" de los prompts personalizados. El analizador de Notemd depende de ellas.
  • Pruebe primero con una sola nota -- Los prompts personalizados pueden tener efectos inesperados en el alcance de la extracción. Verifique con una nota antes de procesar en lote.
  • Mantenga los prompts concisos -- Los prompts personalizados excesivamente largos consumen tokens y pueden diluir la concentración del modelo.

Próximos pasos​