# Plantillas de docstring y parámetros automáticas

Cada [ModularPipelineBlocks](/docs/diffusers/main/es/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) tiene una propiedad `doc` que se genera automáticamente a partir de su `description`, `inputs`, `intermediate_outputs`, `expected_components` y `expected_configs`. El sistema de docstrings automáticos mantiene las docstrings sincronizadas con la interfaz real del bloque. Las plantillas de parámetros proporcionan descripciones estandarizadas para parámetros que aparecen en muchos pipelines.

## Auto docstring

Los bloques de pipeline modulares son componibles: puedes anidarlos, encadenarlos en secuencias y reorganizarlos libremente. Sus docstrings siguen el mismo patrón. Cuando un [SequentialPipelineBlocks](/docs/diffusers/main/es/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) agrega las entradas y salidas de sus subbloques, la documentación debe actualizarse automáticamente sin reescrituras manuales.

El marcador `# auto_docstring` genera docstrings a partir de las propiedades del bloque. Añádelo sobre la definición de una clase para marcarla para la generación automática de docstrings.

```py
# auto_docstring
class FluxTextEncoderStep(SequentialPipelineBlocks):
    ...
```

Ejecuta el siguiente comando para generar e insertar las docstrings.

```bash
python utils/modular_auto_docstring.py --fix_and_overwrite
```

La utilidad lee la propiedad `doc` del bloque y la inserta como docstring de la clase.

```py
# auto_docstring
class FluxTextEncoderStep(SequentialPipelineBlocks):
    """
    Text input processing step that standardizes text embeddings for the pipeline.

    Inputs:
        prompt_embeds (`torch.Tensor`) *required*:
            text embeddings used to guide the image generation.
        ...

    Outputs:
        prompt_embeds (`torch.Tensor`):
            text embeddings used to guide the image generation.
        ...
    """
```

También puede verificar sin sobrescribir, o apuntar a un archivo o directorio específico.

```bash
# Check that all marked classes have up-to-date docstrings
python utils/modular_auto_docstring.py

# Check a specific file or directory
python utils/modular_auto_docstring.py src/diffusers/modular_pipelines/flux/
```

Si alguna clase marcada carece de docstring, la comprobación falla y enumera las clases que necesitan actualizarse.

```
Found the following # auto_docstring markers that need docstrings:
- src/diffusers/modular_pipelines/flux/encoders.py: FluxTextEncoderStep at line 42

Run `python utils/modular_auto_docstring.py --fix_and_overwrite` to fix them.
```

## Plantillas de parámetros

`InputParam` y `OutputParam` definen las entradas y salidas de un bloque. Créalos directamente o usa `.template()` para definiciones estandarizadas de parámetros comunes como `prompt`, `num_inference_steps` o `latents`.

### InputParam

`InputParam` describe una sola entrada de un bloque.

| Campo | Tipo | Descripción |
|---|---|---|
| `name` | `str` | Nombre del parámetro |
| `type_hint` | `Any` | Anotación de tipo (p. ej., `str`, `torch.Tensor`) |
| `default` | `Any` | Valor predeterminado (si no se establece, el parámetro no tiene valor predeterminado) |
| `required` | `bool` | Si el parámetro es obligatorio |
| `description` | `str` | Descripción legible por humanos |
| `kwargs_type` | `str` | Nombre del grupo para parámetros relacionados (p. ej., `"denoiser_input_fields"`) |
| `metadata` | `dict` | Información adicional arbitraria |

#### Creación de InputParam directamente

```py
from diffusers.modular_pipelines import InputParam

InputParam(
    name="guidance_scale",
    type_hint=float,
    default=7.5,
    description="Scale for classifier-free guidance.",
)
```

#### Usando una plantilla

```py
InputParam.template("prompt")
# Equivalent to:
# InputParam(name="prompt", type_hint=str, required=True,
#            description="The prompt or prompts to guide image generation.")
```

Las plantillas establecen automáticamente `name`, `type_hint`, `default`, `required` y `description`. Sobrescribe cualquier campo o añade contexto con el parámetro `note`.

```py
# Override the default value
InputParam.template("num_inference_steps", default=28)

# Add a note to the description
InputParam.template("prompt_embeds", note="batch-expanded")
# description becomes: "text embeddings used to guide the image generation. ... (batch-expanded)"
```

### OutputParam

`OutputParam` describe una sola salida de un bloque.

| Campo | Tipo | Descripción |
|---|---|---|
| `name` | `str` | Nombre del parámetro |
| `type_hint` | `Any` | Anotación de tipo |
| `description` | `str` | Descripción legible por humanos |
| `kwargs_type` | `str` | Nombre del grupo para parámetros relacionados |
| `metadata` | `dict` | Información adicional arbitraria |

#### Creación de OutputParam directamente

```py
from diffusers.modular_pipelines import OutputParam

OutputParam(name="image_latents", type_hint=torch.Tensor, description="Encoded image latents.")
```

#### Usando una plantilla

```py
OutputParam.template("latents")

# Add a note to the description
OutputParam.template("prompt_embeds", note="batch-expanded")
```

## Plantillas disponibles

`INPUT_PARAM_TEMPLATES` y `OUTPUT_PARAM_TEMPLATES` se definen en [modular_pipeline_utils.py](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/modular_pipeline_utils.py). Incluyen parámetros comunes como `prompt`, `image`, `num_inference_steps`, `latents`, `prompt_embeds`, entre otros. Consulte el código fuente para obtener la lista completa de nombres de plantillas disponibles.