Técnicas de ingeniería de prompts

01

De qué está hecho un prompt

Un prompt es simplemente el texto que le envías a una IA. Puede ser una pregunta, una petición o una instrucción: cualquier cosa que escribas en el cuadro de texto.

La mayoría de las IA de chat actuales funcionan con un modelo de lenguaje grande (LLM). Un LLM no escribe toda la respuesta de golpe. Mira el texto que hay hasta el momento, elige el siguiente fragmento pequeño de texto (llamado token), lo añade y repite. Si alguna vez el teclado de tu teléfono te sugirió la siguiente palabra, es una versión mucho más grande de eso. Como el modelo va construyendo sobre lo que ya está escrito, las palabras de tu prompt influyen en las que elige después. La ingeniería de prompts consiste en aprovechar eso a propósito: escribir el prompt para que la respuesta que quieres sea la más probable.

Si desarmas un buen prompt, normalmente encontrarás los elementos de abajo. No siempre necesitas todos: elige los que pida la tarea.

Para que todo sea concreto, seguiremos un mismo ejemplo durante toda la guía: pedirle a una IA que lea reseñas de una tienda y nos diga si el cliente quedó contento, descontento o un poco de las dos cosas. Empezaremos con una petición de una sola línea. Cada vez que la respuesta se quede corta, veremos por qué y añadiremos la técnica que lo arregla. La columna de la derecha muestra cómo se ve cada elemento en nuestro ejemplo.

Cada capítulo trae una escena 3D de este ejemplo. Los bloques apilados a la izquierda son lo que enviamos (el prompt), la esfera del centro es el modelo de IA y las barras de la derecha son respuestas que el modelo podría dar. Cuanto más alta la barra, más probable es esa respuesta. Las alturas son valores inventados para mostrar la tendencia, no mediciones reales.

En la primera escena, prueba a añadir los elementos uno a uno. Con solo la instrucción y la reseña, las barras están por todas partes. A medida que añades más, sube la barra de la respuesta que buscamos: “mixed, en JSON”.

Algunos consejos básicos

Las empresas que crean servicios de IA dan casi los mismos consejos en sus guías para escribir prompts:

• Di lo que quieres de forma breve, clara y completa.
• Pon la pregunta o la instrucción al final, después del material al que se refiere.
• Usa delimitadores (como comillas o etiquetas) para separar las instrucciones de los datos, y deja claro el formato de la respuesta.
• Dile al modelo qué hacer si no sabe algo; por ejemplo: “Si no lo sabes, responde ‘No lo sé’”.
• Ajusta el prompt con datos de práctica y luego pruébalo una sola vez con datos que hayas reservado.

Los elementos que incluyes son los que dan nombre a cada técnica. ¿Solo instrucción y entrada? Eso es zero-shot. Si añades ejemplos, pasa a ser few-shot. Si pides el razonamiento, es cadena de pensamiento. Empecemos por zero-shot, la más sencilla de las tres.

02

Pedir sin ejemplos (zero-shot)

El prompting zero-shot (sin ejemplos) consiste en describir la tarea sin dar ni un solo ejemplo: el “zero” es el número de ejemplos. Casi todo lo que la gente escribe en un chat de IA es zero-shot, como esto:

Clasifica el sentimiento de la reseña.
Reseña: El envío tardó, pero el producto es excelente

El modelo ya aprendió de una cantidad enorme de texto, así que entiende una petición así sin ejemplos. Para cosas que los modelos ya hacen bien (resumir, traducir, clasificaciones comunes), muchas veces zero-shot es suficiente. No hay nada que preparar y el prompt es corto, así que también es la opción más barata.

Donde falla es en la forma de la respuesta. Nuestro prompt no dice qué formato usar ni qué hacer con una reseña que tiene elogios y quejas a la vez. Así que el modelo hace lo que le parece razonable: “Positivo” una vez, un párrafo entero la siguiente y JSON la otra. Una persona puede leer cualquiera de esas respuestas sin problema, pero si un programa tiene que procesarlas, esa falta de consistencia es un problema serio.

Las respuestas varían porque el modelo no tiene ni idea de qué tipo de respuesta queremos. Podríamos describir el formato y las reglas con detalle, pero normalmente es más rápido mostrarlo.

03

Mostrar la respuesta que quieres (one-shot, few-shot)

El prompting few-shot (con pocos ejemplos) consiste en añadir algunos ejemplos al prompt para que el modelo vea qué tipo de respuesta buscas. Cada ejemplo une una entrada con la respuesta que querrías para ella. Con un ejemplo se llama one-shot; con dos o más, few-shot. Algunos exámenes llaman “single-shot” al one-shot.

Clasifica el sentimiento de la reseña.

Reseña: Muy bien empaquetado
Respuesta: {"label":"positive"}

Reseña: Muy rico, pero la porción es pequeña
Respuesta: {"label":"mixed"}

Reseña: El envío tardó, pero el producto es excelente
Respuesta:

¿Por qué el modelo copia los ejemplos?

Recuerda del capítulo 1 que el modelo elige lo que sigue mirando el texto anterior. En el prompt de arriba, “una reseña y luego una línea de JSON” aparece dos veces. Así que, después de la tercera reseña, lo más natural es escribir otra línea de JSON con la misma forma. El modelo no aprendió nada nuevo: solo continúa el patrón que ve. Esto se llama aprendizaje en contexto (in-context learning).

Aquí es donde mucha gente se confunde, porque en realidad no se aprende nada en el sentido habitual: el modelo no cambia. Si quitas los ejemplos en la siguiente petición, no los recordará en absoluto. Por eso tienes que enviar los ejemplos cada vez, y el prompt más largo cuesta un poco más cada vez.

En la escena de abajo, sube el número de ejemplos de 0 a 5. El formato JSON se asienta con solo uno o dos. Pero la regla “elogios más quejas significa mixed” solo se afianza cuando entra el tercer ejemplo, que es justo una reseña así. Lo que muestran tus ejemplos importa más que cuántos uses.

Cómo elegir buenos ejemplos

• Elige ejemplos parecidos a las reseñas que de verdad vas a recibir.
• Incluye los casos difíciles. Si todos los ejemplos son fáciles, el modelo volverá a dudar cuando llegue uno complicado.
• Varía las respuestas. Si todos los ejemplos son positive, el modelo también se inclinará hacia positive.
• Mantén todos los ejemplos exactamente con el mismo formato. Ejemplos desordenados dan respuestas desordenadas.

Los ejemplos fijan la forma de la respuesta y las reglas para juzgar. Pero en problemas que requieren varios pasos, los ejemplos solos no bastan. Si solo muestran respuestas finales, el modelo tiende a saltarse el razonamiento y a ir directo a un número que solo parece correcto.