Prompts: Buenas Prácticas 

La ingeniería de Instrucciones (o Prompt Engineering) es un campo fundamental y en rápida evolución que se centra en el diseño, la optimización y la refinación de las instrucciones o prompts que se dan a los Modelos de Lenguaje Grande (LLMs). Su objetivo primordial es maximizar la eficacia, precisión y relevancia de la respuesta generada por la inteligencia artificial.

Un prompt detallado y claro es esencial, ya que guía al modelo de lenguaje. Si la instrucción no es precisa o le falta información, el modelo tenderá a hacer conjeturas, lo que muy probablemente resultará en salidas incorrectas o poco relevantes, y requerirá de varias correcciones.

Aquí te presento un conjunto de buenas prácticas esenciales para dominar esta disciplina y obtener resultados superiores al interactuar con modelos de IA:

1. CLARIDAD Y ESPECIFICIDAD

La ambigüedad es el enemigo de una buena respuesta.

• Sé Explícito: En lugar de pedir «escríbeme algo sobre historia», especifica: «Escribe un resumen conciso de 300 palabras sobre las principales causas y consecuencias de la Revolución Francesa, dirigido a un estudiante de secundaria».
• Define el Formato de Salida: Indica claramente cómo deseas la respuesta. Utiliza frases como: «Formato la respuesta como una tabla», «Usa viñetas para la lista», o «Escribe un guion en formato markdown«.
• Proporciona Contexto Suficiente: El modelo no puede leer tu mente. Si le pides que continúe una idea, asegúrate de incluir el texto inicial o el contexto relevante en el prompt.

2. DEFINICIÓN DE ROL Y AUDIENCIA

Establecer un rol para el modelo y definir la audiencia ayuda a establecer el tono y el estilo.

• Asignación de Rol (Persona): Pídele al modelo que actúe como un experto. Por ejemplo: «Actúa como un profesor universitario especializado en economía del comportamiento y explica…», o «Eres un editor de moda; revisa este texto para que suene más sofisticado».
• Definición de Audiencia: Especifica para quién está escribiendo el modelo. Esto garantiza que el lenguaje sea apropiado. Ejemplos: «La audiencia es un grupo de ejecutivos sin conocimientos técnicos», o «El texto debe ser accesible para un niño de 10 años».

3. RESTRICCIONES Y LIMITACIONES

Para evitar desviaciones o respuestas demasiado largas, es crucial establecer límites.

• Longitud: Especifica la extensión máxima o mínima: «Máximo dos párrafos», «Al menos 150 palabras», o «No más de 5 oraciones».
• Restricciones de Contenido: Indica qué debe o no debe incluirse. Por ejemplo: «No uses jerga», «Incluye tres ejemplos concretos», o «Omite cualquier referencia a la Segunda Guerra Mundial».
• Tono y Estilo: Define el sentimiento que debe transmitir la respuesta: «Usa un tono formal y profesional», «Escribe de manera ingeniosa y sarcástica», o «El tono debe ser motivacional y optimista».

4. USO DE EJEMPLOS (FEW-SHOT PROMPTING)

Si necesitas un formato o estilo muy específico, proporcionar ejemplos de entrada y salida es una técnica muy poderosa.

• Estructura de Ejemplo:
  • Entrada: «Texto original: La casa es azul.»
  • Salida Deseada: «Corrección: La casa es de color azul brillante.»
  • Instrucción: «Aplica esta misma corrección a los siguientes textos.»
• Esto es invaluable para tareas como clasificación, extracción de datos o traducción con un dialecto específico.

5. ITERACIÓN Y REFINAMIENTO

La ingeniería de instrucciones es un proceso iterativo, no un evento único.

• Análisis de la Salida: Evalúa críticamente la primera respuesta. Si no es satisfactoria, identifica exactamente lo que falló.
• Ajuste del Prompt: En lugar de empezar de nuevo, refina la instrucción inicial. Si la respuesta fue demasiado general, añade: «Haz que la respuesta sea más técnica». Si faltó contexto, agrégalo.
• Uso de Cadenas de Pensamiento (Chain-of-Thought – CoT): Pídele al modelo que «piense en voz alta» antes de dar la respuesta. Incluye frases como: «Primero, piensa paso a paso cómo llegar a la solución, y luego proporciona la respuesta final». Esto a menudo conduce a respuestas más lógicas y precisas, especialmente en problemas matemáticos o de razonamiento complejo.

6. PRUEBAS Y EXPERIMENTACIÓN

No existe una instrucción perfecta para todos los casos. Experimenta con la formulación.

• Variación de Palabras Clave: A veces, un simple cambio de verbo puede alterar drásticamente la salida (p. ej., «Generar» vs. «Sintetizar» vs. «Crear»).
• Uso de Delimitadores: Utiliza comillas, corchetes o etiquetas XML (como <texto>…</texto>) para separar claramente el texto de las instrucciones. Esto ayuda al modelo a distinguir qué es instrucción y qué es contenido.

En resumen para obtener los mejores resultados en una instrucción, deberíamos hacernos estas preguntas:

• ¿Qué se espera que haga el modelo? El prompt debe indicar claramente la acción principal: escribir, resumir, traducir, comparar, generar código, explicar, analizar, corregir, etc.
• ¿Cómo debe presentarse el resultado? Especificar la salida, una lista numerada, una tabla, un código en lenguaje específico, un ensayo estructurado con títulos y subtítulos, un guion, etc.
• ¿Qué información debe usar el modelo? Proporcionar el contexto relevante (datos, documentos de referencia, ejemplos, etc.) es vital. Si el modelo debe basarse en un texto específico, este debe incluirse o referenciarse explícitamente.
• ¿Qué debe evitar el modelo y qué limitaciones debe cumplir? Las restricciones acotan el espacio de respuesta del LLM, reduciendo divagaciones o contenido no deseado.
• ¿Cómo se medirá el éxito de la tarea? Aunque a veces es implícito, especificar la calidad deseada (precisión, creatividad, exhaustividad) y los criterios de éxito (por ejemplo, «Asegúrate de que cada punto de la lista comience con un verbo de acción») mejora la alineación con las expectativas.

Un buen prompt para la Ingeniería de Prompts se construye al pasar de instrucciones vagas a una especificación estructurada que cubre el QUÉ (objetivo), el CÓMO (formato), el CON QUÉ (contexto) y las LIMITACIONES (restricciones). Esta práctica no solo optimiza el tiempo de interacción, sino que también maximiza el potencial y la utilidad del modelo de lenguaje.

Al aplicar consistentemente estas buenas prácticas, los usuarios pueden transformar sus interacciones con los LLMs, pasando de recibir respuestas superficiales a obtener resultados profundos, precisos y perfectamente adaptados a sus necesidades específicas.