Motor de Prompting Avanzado

Un motor universal de creación de prompts entregado como un servidor MCP. Mide la intención a través de 12 dimensiones filosóficas y devuelve una base de construcción a partir de la cual el cliente construye los prompts.

El motor no genera prompts. Proporciona la base dimensional —constructos activos, opuestos de espectro, tensiones, gemas, radios, pares de armonización y preguntas de construcción— que hacen que la construcción de prompts sea fundamentada en lugar de heurística.

Inicio rápido

# Install
pip install advanced-prompting-engine

# Or run directly via uvx
uvx advanced-prompting-engine

Configuración de MCP

Añadir a tu .mcp.json:

{
  "mcpServers": {
    "advanced-prompting-engine": {
      "command": "uvx",
      "args": ["advanced-prompting-engine"]
    }
  }
}

Related MCP server: MCP Prompt Optimizer

Qué hace

El motor posiciona tu intención en una variedad filosófica de 12 dimensiones:

Cada cara es una cuadrícula de 12x12 con 144 puntos de observación epistémica. La posición determina la clasificación (esquina/punto medio/borde/centro), la potencia y la pertenencia al espectro. Las 12 caras están organizadas como 6 pares complementarios (modelo de cubo) con armonización a través de superficies compartidas. El motor calcula las tensiones mediante correspondencia posicional, gemas (integraciones entre caras) con modulación de nivel de cubo, radios (firmas de comportamiento por cara) y una puntuación de coherencia de gema central.

Herramientas

Ejemplo: Intención en lenguaje natural

create_prompt_basis(intent="Design an ethical framework for autonomous vehicle decision-making")

El motor localiza esta intención a través de las 12 dimensiones filosóficas y devuelve:

{
  "coordinate": {
    "epistemology":  {"x": 4, "y": 4, "weight": 0.76},
    "ontology":      {"x": 6, "y": 5, "weight": 0.73},
    "praxeology":    {"x": 7, "y": 4, "weight": 0.72},
    "heuristics":    {"x": 5, "y": 3, "weight": 0.66},
    "phenomenology": {"x": 7, "y": 4, "weight": 0.61},
    "ethics":        {"x": 6, "y": 4, "weight": 0.53},
    "...": "...all 12 faces with (x,y) position and relevance weight"
  },
  "harmonization": [
    {"pair": ["ontology", "praxeology"], "resonance": 0.15},
    {"pair": ["axiology", "ethics"],     "resonance": 0.05},
    "...6 complementary pairs with resonance scores"
  ],
  "spokes": {
    "ontology":      {"classification": "weakly_integrated", "strength": 0.042},
    "epistemology":  {"classification": "weakly_integrated", "strength": 0.039},
    "...": "...per-face behavioral signatures"
  },
  "central_gem": {"coherence": 0.69, "classification": "highly_coherent"},
  "construction_questions": {
    "ethics": {
      "template": "What moral obligations does this prompt impose or assume?",
      "position_summary": "balanced Deontological/Consequential + moderately Agent-focused",
      "meaning_mechanism": "composition",
      "phase": "evaluation"
    },
    "...": "...12 position-specific philosophical questions to guide prompt construction"
  }
}

El resultado te indica: esta intención trata principalmente sobre la validación del conocimiento (epistemología 0.76), qué entidades existen (ontología 0.73) y la estructura de acción (praxeología 0.72). La ética se registra en 0.53 — presente pero no dominante. La armonización muestra que la ontología y la praxeología resuenan fuertemente (0.15) — el "qué existe" teórico se alinea con el "cómo actuar" práctico.

Ejemplo: Coordenada preformada

Para un control preciso, pasa una coordenada directamente:

coordinate = {
    "ontology": {"x": 0, "y": 0, "weight": 1.0},      # corner: particular + static
    "ethics": {"x": 0, "y": 11, "weight": 0.9},         # corner: deontological + act
    "methodology": {"x": 0, "y": 0, "weight": 0.8},     # corner: analytic + deductive
    # ...all 12 faces with x (0-11), y (0-11), weight (0-1)
}
result = create_prompt_basis(coordinate=coordinate)

Arquitectura

• Stack: Python + NetworkX (topología) + numpy (cálculo) + SQLite (persistencia) + MCP SDK

• Grafo: 1873 nodos, 2279 aristas (12 caras × 144 constructos + 132 nexos + 1 gema central)

• Pipeline: 8 etapas (Analizador de intención → Resolutor de coordenadas → Computador de posición → Resolutor de constructos → Analizador de tensiones → Analizador de nexos/gemas → Analizador de radios → Puente de construcción)

• Geometría: Equilibrio vectorial (cuboctaedro) como topología latente entre caras, modelo de cubo para 6 pares complementarios

• Despliegue: Proceso único, transporte stdio, sin demonio, sin dependencias externas

Documentación

• docs/DESIGN.md — Especificación completa del diseño

• docs/CONSTRUCT-v2.md — Especificación del constructo (qué son las caras, puntos, espectros, nexos, gemas y radios)

• docs/CONSTRUCT-v2-questions.md — 144 plantillas de preguntas de construcción por zona

• docs/adr/ — 13 Registros de decisiones de arquitectura

Desarrollo

pip install -e ".[dev]"
pytest tests/ -v

Reconstrucción del puente semántico (opcional)

El paquete distribuido incluye artefactos precalculados derivados de BGE (semantic_bridge.npz, semantic_vocab.json). Para reconstruirlos desde cero (por ejemplo, después de ediciones de sinónimos de polos), instala los extras de compilación:

pip install -e ".[build]"
python -m nltk.downloader wordnet omw-1.4
python scripts/build_semantic_bridge.py

La compilación utiliza BAAI/bge-large-en-v1.5 (~1.3 GB, descargado una vez a la caché de HuggingFace) y wordfreq para el orden de frecuencia. Las dependencias de tiempo de ejecución no se ven afectadas — los usuarios finales solo reciben los artefactos precalculados.

Contribución

Consulta CONTRIBUTING.md para la configuración y directrices de desarrollo.

Seguridad

Consulta SECURITY.md para obtener instrucciones sobre cómo informar vulnerabilidades.

Licencia

MIT