# פרומפטים וטקסט

> הפכו רעיון גולמי לפרומפט בדוק, כתבו תסריט וידאו סצנה אחר סצנה ותנו לשופט LLM לבחור את התוצאה הטובה ביותר, עם כלי ה-MCP של Nodaro.

Source: https://nodaro.ai/he/docs/mcp/tools/prompts-and-text

**כלי הפרומפטים והטקסט** מאפשרים לעוזר AI לכתוב קלט טוב יותר לכלי היצירה של Nodaro ולבחור בין תוצאות. הכלים `enhance_prompt`, `analyze_prompt` ו-`generate_prompt` הופכים רעיון גולמי לפרומפט שנכתב לרכיב מסוים, `generate_script` כותב תסריט וידאו סצנה אחר סצנה ו-`reduce` ממזג רשימת מועמדים או שופט ביניהם.

## איך מחויבות קריאות ה-LLM בדף הזה
כל קריאת LLM בדף הזה מחויבת לפי הטוקנים שהיא השתמשה בהם בפועל, בתעריף של המודל שהריץ אותה. לפני הקריאה, Nodaro משריין קרדיטים. כשהיתרה נמוכה מהשריון, הקריאה נדחית עם `402`. אחרי הקריאה, היא מחויבת לפי השימוש בפועל, ובדרך כלל הסכום נמוך מהשריון. פרומפטים ארוכים יותר ותשובות ארוכות יותר עולים יותר. על כשל שהספק חייב עליו, כגון סירוב או תשובה שנקטעה, משלמים לפי השימוש הזה, והשגיאה מציינת כמה. על כשל שהספק לא חייב עליו, הקרדיטים מוחזרים. הכפתור **הרצה** בעורך מציג `≈N`: אומדן של קריאה טיפוסית במודל הזה. כדי לקבל אומדן מחיר לקריאה במודל מסוים לפני שהיא רצה, השתמשו ב-[`list_models`](https://nodaro.ai/docs/mcp/tools/models-and-credits) עם `priceIds`. ראו את הסעיף [איך מחויבות קריאות LLM](https://nodaro.ai/docs/concepts/credits#llm-calls) בדף קרדיטים.

## `enhance_prompt`
משכתב רעיון גולמי לפרומפט משופר אחד לסוג רכיב מסוים, בלי שאלות בדרך. השתמשו בו לשיפור מהיר.

**הרשאה:** `workflows:execute`. **קרדיטים:** הרצת LLM אחת, שמחויבת לפי הטוקנים שהיא השתמשה בהם, בתעריף של המודל ([הסבר](#llm-charges)).

| פרמטר | סוג | הערות |
| --- | --- | --- |
| `nodeType` | string | **נדרש.** הרכיב שהפרומפט מיועד לו, כגון `generate-image`, `image-to-video` או `generate-music`. |
| `prompt` | string | הרעיון הגולמי, עד 5,000 תווים. השמיטו אותו כדי להתחיל מאפס. |
| `provider`, `style`, `aspectRatio`, `duration` | string או number | המודל וההגדרות שמתכננים להשתמש בהם, כדי שהפרומפט יתאים להם. |
| `llmModel` | string | ה-LLM שכותב את הפרומפט: אחד מהמזהים שהכלי מפרט, כגון `gemini-3.6-flash` או `claude-sonnet-4.6`. השמיטו אותו כדי להשתמש בברירת המחדל, Gemini 3.6 Flash. |
| `reasoning_effort` | string | `none`, `low`, `medium`, `high`, `xhigh` או `max`. ברמה גבוהה יותר המודל כותב בדרך כלל יותר טוקני פלט, ולכן הקריאה עולה יותר. במודל Claude, עם כל רמת מאמץ הקריאה רצה ישירות בשירות של יצרן המודל ומחויבת בתעריף של אותו שירות. |
| `advanced_mode` | boolean | מודלי Gemini ו-Claude. מריץ את הבקשה ישירות בשירות של יצרן המודל, כך ש-`temperature` ו-`max_tokens` חלים עליה. הקריאה מחויבת לפי טוקן, בתעריף של אותו שירות. עם מודל אחר, הכלי מחזיר `400 advanced_mode_unsupported`. |
| `temperature`, `max_tokens` | number | רק עם `advanced_mode`. הערך של `temperature` הוא מ-0 עד 2, ושל `max_tokens` עד 32,768. |

**מה חוזר:** `jobId`, `prompt`, וגם `recommendedModel` כשיש לכלי מודל להמליץ עליו.

## `analyze_prompt`
הופך רעיון גולמי לשאלות עם אפשרויות, לסוג רכיב מסוים. השתמשו בו יחד עם `generate_prompt` כשאתם רוצים לכוון את הפרומפט: עונים על השאלות, ואז בונים את הפרומפט מהתשובות.

**הרשאה:** `workflows:execute`. **קרדיטים:** הרצת LLM אחת, שמחויבת לפי הטוקנים שהיא השתמשה בהם, בתעריף של המודל ([הסבר](#llm-charges)).

| פרמטר | סוג | הערות |
| --- | --- | --- |
| `nodeType` | string | **נדרש.** הרכיב שהפרומפט מיועד לו, כגון `generate-image`. |
| `prompt` | string | הרעיון הגולמי, עד 5,000 תווים. השמיטו אותו כדי להתחיל מאפס. |
| מודל והגדרות | | `provider`, `style`, `aspectRatio`, `duration`, `llmModel`, `reasoning_effort`, `advanced_mode`, `temperature` ו-`max_tokens`, כמו ב-`enhance_prompt`. |

**מה חוזר:** `jobId` ו-`questions`. לכל שאלה יש `category`, `label`, `options` והאפשרות שנבחרה (`selected`), והיא מציינת גם אם מותרת תשובה מותאמת אישית (`allowCustom`) ואם מותרות כמה תשובות (`multi`).

## `generate_prompt`
בונה פרומפט משופר אחד מהתשובות לשאלות של `analyze_prompt`.

**הרשאה:** `workflows:execute`. **קרדיטים:** הרצת LLM אחת, שמחויבת לפי הטוקנים שהיא השתמשה בהם, בתעריף של המודל ([הסבר](#llm-charges)).

| פרמטר | סוג | הערות |
| --- | --- | --- |
| `nodeType` | string | **נדרש.** אותו סוג רכיב כמו ב-`analyze_prompt`. |
| `selections` | array | **נדרש.** רשומת `{ category, value, isCustom }` אחת לכל שאלה שנענתה. |
| `originalPrompt` | string | הרעיון הראשוני, עד 5,000 תווים, לשילוב בתוצאה. |
| מודל והגדרות | | `provider`, `style`, `aspectRatio`, `duration`, `llmModel`, `reasoning_effort`, `advanced_mode`, `temperature` ו-`max_tokens`, כמו ב-`enhance_prompt`. |

**מה חוזר:** `jobId`, `prompt`, וגם `recommendedModel` כשיש לכלי מודל להמליץ עליו.

אותו אשף פרומפטים זמין גם בעורך וגם דרך ה-[REST API](https://nodaro.ai/docs/developers/api/prompt-wizard).

## `generate_script`
כותב תסריט וידאו מובנה מתוך תיאור: טקסט סצנה אחר סצנה, שיכול להזין סדרה של יצירות תמונה או וידאו. הכלי עובד כמו רכיב [יצירת תסריט](https://nodaro.ai/docs/nodes/video/generate-script).

**הרשאה:** `workflows:execute`. **קרדיטים:** הרצת LLM אחת, שמחויבת לפי הטוקנים שהיא השתמשה בהם, בתעריף של המודל ([הסבר](#llm-charges)). יותר סצנות או אורך יעד ארוך יותר פירושם יותר טקסט, ולכן מחיר גבוה יותר.

| פרמטר | סוג | הערות |
| --- | --- | --- |
| `prompt` | string | **נדרש.** על מה הסרטון: נושא, סגנון, קהל יעד. עד 10,000 תווים. |
| `model` | string | `gemini` (ברירת המחדל), `claude` או `gpt`. |
| `scene_count` | integer | מספר הסצנות, מ-1 עד 20. ברירת המחדל: `5`. |
| `target_duration` | integer | אורך הסרטון בשניות, מ-5 עד 600. ברירת המחדל: `60`. |
| `tone` | string | הטון, כגון `dramatic` (דרמטי) או `lighthearted` (קליל), עד 200 תווים. |
| `style_guide` | string | הסגנון שהתסריט נכתב לפיו: קול, מראה וקצב. עד 100,000 תווים. |

**מה חוזר:** מזהה משימה. התסריט נמצא בפלט של המשימה. בלקוחות עם MCP Apps, כרטיס המשימה מציג אותו עם הכפתור **Copy** (העתקה).

## `reduce`
ממזג רשימת מועמדים לתוצאה אחת, או נותן לשופט LLM לבחור את הטוב ביותר. זה המנוע של רכיב [בחירת המיטב](https://nodaro.ai/docs/nodes/automate/choose-best).

**הרשאה:** `workflows:execute`. **קרדיטים:** חינם באסטרטגיות הלוגיות. עם `pick-best-llm`, הקריאה לשופט מחויבת לפי הטוקנים שהיא השתמשה בהם, בתעריף של מודל השופט ([הסבר](#llm-charges)). שופט ברירת המחדל הוא Claude Sonnet 5.5.

| פרמטר | סוג | הערות |
| --- | --- | --- |
| `strategyId` | string | **נדרש.** `pick-best-llm`, `concat`, `first-non-empty`, `count`, `vote` או `merge-json`. |
| `inputs` | array | **נדרש.** עד 1,000 מחרוזות: קטעי טקסט או כתובות URL. |
| `strategyConfig` | object | ההגדרות של האסטרטגיה, בטבלה הבאה. |

| אסטרטגיה | מה היא עושה | `strategyConfig` |
| --- | --- | --- |
| `pick-best-llm` | שופט LLM בוחר את המועמד הטוב ביותר לפי הקריטריונים שלכם | `criteria` (טקסט), `inputKind` (`text` או `image-url`) ו-`llmModel` אופציונלי לשופט |
| `concat` | משרשרת את כל הקלטים | `separator` |
| `first-non-empty` | מחזירה את הקלט הראשון שלא ריק | אין |
| `count` | סופרת את הקלטים | אין |
| `vote` | מחזירה את הקלט שמופיע הכי הרבה פעמים; בתיקו, הראשון מנצח | `caseSensitive` |
| `merge-json` | ממזגת אובייקטי JSON | `strategy` (`deep` או `shallow`) |

**מה חוזר:** `jobId`, `output` כמחרוזת ו-`meta.summary`, שמתאר מה קרה. האסטרטגיה `pick-best-llm` מחזירה גם `meta.selectedIndex` ו-`meta.reasoning`, ההסבר של השופט.

כשהמועמדים הם תמונות, הגדירו את `inputKind` ל-`image-url`. עם `text`, השופט משווה בין הקישורים כטקסט: זה נראה כמו בחירה אמיתית, אבל זו לא בחירה.

## שאלות נפוצות

### מה ההבדל בין enhance_prompt לבין analyze_prompt?

הכלי enhance_prompt משכתב רעיון גולמי לפרומפט משופר אחד בקריאה אחת. הכלי analyze_prompt מחזיר קודם שאלות עם אפשרויות, והכלי generate_prompt בונה את הפרומפט מהתשובות שלכם, כך שתוכלו לכוון את התוצאה.

### האם כלי הפרומפטים עולים קרדיטים?

כן. כל קריאה לכלי פרומפטים היא הרצת LLM אחת, שמחויבת לפי הטוקנים שהיא השתמשה בהם בפועל, בתעריף של המודל שהריץ אותה. לפני הקריאה משוריינים קרדיטים, ואחריה הקריאה מחויבת לפי השימוש בפועל. פרומפטים ארוכים יותר ותשובות ארוכות יותר עולים יותר.

### איך עוזר AI יכול לבחור את התמונה הטובה ביותר מבין כמה תמונות?

קראו לכלי reduce עם האסטרטגיה pick-best-llm, עם כתובות התמונות בפרמטר inputs, עם הערך image-url בשדה inputKind ועם הקריטריונים שלכם. השופט מחזיר את התמונה המנצחת, את המיקום שלה בין המועמדים ואת הנימוק שלו.