Fundamentos de ingeniería de prompts que de verdad mejoran las respuestas

El modelo hace exactamente lo que le pides, y nada que no le hayas pedido

La mayor fuente de respuestas decepcionantes es una petición vaga. "Escribe algo sobre nuestro hotel" no le da al modelo nada a lo que apuntar, así que produce un relleno genérico. El modelo no está siendo perezoso. Está rellenando cada decisión no especificada con la opción más promedio, porque lo promedio es la apuesta más segura.

Hacer buenos prompts significa tomar esas decisiones tú mismo, de antemano.

Las cuatro partes de un buen prompt

La mayoría de los prompts sólidos contienen cuatro ingredientes. No necesitas los cuatro cada vez, pero cada uno cierra un hueco que, de lo contrario, el modelo rellenaría con una suposición.

Un rol. Dile al modelo quién es para esta tarea. "Eres un conserje en un hotel boutique" fija un tono, un vocabulario y un punto de vista de forma mucho más eficiente que describir los tres.

Una tarea. Enuncia lo que quieres en términos claros, incluido para qué sirve el resultado. "Escribe una nota de bienvenida de dos párrafos para huéspedes que llegan en tren" supera a "escribe una nota de bienvenida".

Un ejemplo. Si tienes uno, muestra una muestra de cómo es lo bueno. Los modelos imitan patrones extremadamente bien, y un solo ejemplo suele lograr más que un párrafo de descripción. Mostrar unos pocos ejemplos se denomina a veces prompting con pocos ejemplos.

Un formato. Di qué forma debe tener la respuesta: una lista, una tabla, una extensión fija, una estructura concreta. Los modelos siguen las instrucciones de formato de forma fiable, y un formato claro hace que el resultado sea utilizable sin edición.

Dale los hechos

Un modelo no puede conocer tu hora de entrada, tu plazo de cancelación o el nombre de tu chef. Si la respuesta depende de hechos, pon los hechos en el prompt. Esto parece obvio y es el paso que más a menudo se omite. Muchas "alucinaciones" no son más que un modelo al que se le pide ser concreto sin darle nada concreto con lo que trabajar. Aportar los hechos pertinentes, o conectar el modelo a una fuente de ellos, es la forma más eficaz de obtener respuestas precisas.

Pídele que razone, y que reconozca sus límites

Dos pequeñas instrucciones mejoran la fiabilidad. Primero, para cualquier cosa que implique razonamiento, pídele al modelo que resuelva el problema paso a paso antes de dar su conclusión. Exponer los pasos tiende a producir mejores conclusiones. Segundo, dale permiso para decir que no sabe. Una frase como "si la información no se proporciona, dilo en lugar de adivinar" recorta drásticamente los detalles inventados, porque convierte el "no lo sé" en un resultado aceptable.

Itera en lugar de perfeccionar

Hacer prompts es barato de repetir. El flujo de trabajo correcto es escribir un prompt razonable, mirar la respuesta, advertir qué salió mal y ajustar una sola cosa. Tono equivocado, ajusta el rol. Forma equivocada, ajusta el formato. Hechos equivocados, aporta los hechos. Unas pocas rondas de esto superan a horas dedicadas a crear el primer intento perfecto.

Dónde se detiene el prompting

El prompting controla el comportamiento y la forma. Es la herramienta adecuada para el tono, el formato y el estilo de razonamiento. Es la herramienta equivocada para enseñarle a un modelo un gran cuerpo de conocimiento, porque todo lo que va en un prompt hay que aportarlo cada vez y el espacio es limitado. Cuando el problema es de conocimiento y no de comportamiento, la respuesta es la recuperación: darle al modelo una biblioteca de la que extraer, no un prompt más largo.

La conclusión

Trata al modelo como a un empleado nuevo y capaz que no sabe nada de tu negocio. Dile quién es, qué necesitas, cómo es lo bueno y qué forma debe tener lo que entrega. Dale los hechos. Déjale decir cuándo no está seguro. La mayor parte de la ingeniería de prompts es precisamente eso: ser claro.