Dominando el Prompting: Una Guía para Escribir Prompts Efectivos para IA

¿Te sucede que intentas una y otra vez hacerte entender por un modelo de IA?

Bueno, al igual que en cualquier aspecto de tu vida (relaciones, trabajo, etc.), la comunicación efectiva con modelos de IA es también una gran habilidad. Aquí te explico cómo >>>

Principio 1: Escribe instrucciones claras y específicas

Cuanto más precisas sean tus instrucciones, mejor será la respuesta de la IA. Evita las indicaciones vagas y en su lugar concéntrate en la claridad y la estructura. Recuerda: claro ≠ corto.

1. Usa delimitadores

Los delimitadores ayudan a separar diferentes partes de tu entrada para evitar malinterpretaciones, especialmente si tu entrada es un texto complejo o hay comillas dentro. Puedes usar:

Triples acentos graves (```),
Corchetes angulares (< >),
Triples comillas (""" """), y más.

##Ejemplo:##

Resume el texto delimitado por corchetes angulares en una oración:

< Los modelos de IA son herramientas poderosas que pueden ayudar con tareas como la escritura, el análisis de datos y la resolución de problemas, pero su efectividad depende completamente de las indicaciones dadas. Una indicación bien estructurada proporciona instrucciones claras, contexto y restricciones, asegurando que la IA genere respuestas relevantes y útiles. Por el contrario, las indicaciones vagas o ambiguas pueden llevar a resultados engañosos o incompletos. Por ejemplo, pedirle a una IA que "escriba sobre historia" es demasiado amplio, mientras que especificar "resumir los eventos clave de la Revolución Francesa en 200 palabras" resulta en una respuesta más precisa. El diseño cuidadoso de indicaciones es esencial para maximizar el potencial de la IA. >

Resultado esperado:

La efectividad de los modelos de IA depende de indicaciones bien estructuradas que proporcionen instrucciones claras, contexto y restricciones para asegurar respuestas relevantes y útiles.

2. Solicita una salida estructurada

Especifica cómo quieres que se formatee la respuesta, como JSON o HTML.

Ejemplo:

Genera una lista de dos destinos de viaje imaginarios junto con sus ubicaciones y atracciones únicas. Proporciónalos en formato JSON con las siguientes claves: destination_id, name, location, attraction.

Resultado esperado:

[
  {
    "destination_id": 1,
    "name": "Celestara Cove",
    "location": "The Luminous Isles",
    "attraction": "A secluded beach where the sand sparkles like stardust and the waves glow under the moonlight."
  },
  {
    "destination_id": 2,
    "name": "Eldermyst Hollow",
    "location": "The Whispering Woods",
    "attraction": "An ancient forest where trees emit a soft hum, and glowing fireflies form mesmerizing patterns in the night sky."
  }
]

3. Indicaciones de "pocos ejemplos" (Few-shot)

Las indicaciones de pocos ejemplos ayudan a guiar el estilo de respuesta del modelo proporcionando ejemplos dentro de la indicación. Esta técnica es útil para asegurar que el modelo siga un formato o tono específico.

Ejemplo:

Tu tarea es generar respuestas con la voz de una marca aventurera e inspiradora de equipamiento para exteriores.

Cliente: ¿Qué hace que tus botas de senderismo sean diferentes?
Marca: Cada paso es una aventura. Nuestras botas no son solo calzado; son tus compañeras de confianza en senderos escarpados, construidas para resistir y potenciar tus viajes más salvajes.
Cliente: ¿Puedo usarlas en condiciones de nieve?

Resultado esperado:

Marca: ¡Conquista el frío con confianza! Diseñadas para todos los terrenos, nuestras botas se aferran a los caminos helados y mantienen tus pies calientes, para que nunca tengas que acortar tu viaje.

En este caso, el modelo entiende el estilo de respuesta y lo continúa adecuadamente. Este enfoque es útil para la narración, la generación de respuestas consistentes o el mantenimiento de la voz de la marca en contenido generado por IA.

Principio 2: Dale tiempo al modelo para pensar

Este es curioso. Cuando aprendí esto, literalmente pensé: "¿En serio?" Lo creas o no, los modelos necesitan tiempo para pensar, como cualquiera. Si un modelo está cometiendo errores de razonamiento al apresurarse a una conclusión incorrecta, reformula la consulta para solicitar una cadena de razonamiento antes de que el modelo proporcione su respuesta final.

Esto ocurre con más frecuencia si estás usando modelos anteriores a la versión o1. La nueva versión hace esto por sí misma y OpenAI ha hecho un gran trabajo en esto.

1. Especifica el procesamiento paso a paso

Ejemplo:

Realiza las siguientes acciones:

Reescribe el párrafo dado para hacerlo más claro y atractivo.
Resume la versión mejorada en una oración.
Identifica el tono general del párrafo (p. ej., informativo, persuasivo, casual).
Devuelve un objeto JSON con 'improved_paragraph', 'summary' y 'tone'.
Párrafo: "El nuevo monitor de actividad física tiene muchas características. Puede rastrear tus pasos, ritmo cardíaco e incluso el sueño. También es resistente al agua y se conecta a tu teléfono."

Resultado esperado:

{  
  "improved_paragraph": "The latest fitness tracker is packed with features, from step and heart rate tracking to sleep monitoring. It's waterproof and syncs effortlessly with your phone for seamless health insights.",  
  "summary": "A feature-rich fitness tracker that monitors health and syncs with your phone.",  
  "tone": "informative"  
}

2. Fomenta la deducción lógica

Pide al modelo que elabore la respuesta por sí mismo antes de evaluar la respuesta de otra persona.

Ejemplo:

Determina si la solución del estudiante es correcta.

Pregunta: "El terreno cuesta 100 USD por pie cuadrado, los paneles solares cuestan 250 USD por pie cuadrado, y el mantenimiento cuesta 100k USD por año + 10 USD por pie cuadrado. ¿Cuál es el costo total en el primer año para x pies cuadrados?"

Solución del estudiante: "Costo total = 100x + 250x + 100,000 + 100x = 450x + 100,000"

Primero, resuelve el problema tú mismo antes de evaluar la respuesta del estudiante.

Este método asegura que la IA no asuma la corrección, sino que resuelva activamente el problema antes de hacer un juicio.

Conclusión

La elaboración efectiva de indicaciones es una habilidad que mejora cómo interactúas con los modelos de IA. Al escribir instrucciones claras y estructuradas y dar tiempo al modelo para procesar información, puedes mejorar significativamente la calidad de las respuestas. ¡Comienza a practicar estos principios hoy para desbloquear todo el potencial de la IA en tus flujos de trabajo!