A medida que los avances en inteligencia artificial 💡 continúan, dominar el prompting se ha convertido en una habilidad esencial. Para apoyar esta evolución, Google ha publicado una guía detallada de 68 páginas, escrita por Lee Boonstra, un ingeniero de Google. Después de revisar esta guía durante un fin de semana (con la ayuda de ChatGPT y Gemini), que se ha convertido en una referencia y ofrece métodos probados para diseñar prompts efectivos, ya sea para modelos de Gemini o otros LLMs (Modelos de Lenguaje Grande), quería compartir con ustedes las 6 técnicas más relevantes destacadas.
Dominando Configuraciones para Respuestas Precisas y Controladas
Para aprovechar al máximo el potencial de un modelo de inteligencia artificial, es crucial entender y ajustar tres parámetros fundamentales: max tokens, temperature, top-K y top-P. Estas variables influyen en la longitud, creatividad, rigor e incluso fiabilidad de las respuestas generadas.
Ejemplo de uso concreto:
- Para una tarea de resumen de artículo:
max_tokens= 300 (para limitar la salida)temperature= 0.3 (respuestas precisas)top-P= 0.8top-K= 20
Resultado: un resumen conciso que es fiel al texto original.
Puntos clave a recordar:
- Temperature = 0: para respuestas deterministas (útil para tareas fácticas como traducción o cálculos).
- Temperature > 1: fomenta la creatividad pero aumenta el riesgo de errores (ideal para ficción o nuevas ideas).
- top-K restringe el modelo a un número fijo de opciones, top-P actúa sobre un umbral de probabilidad acumulativa. Estas dos palancas permiten equilibrar precisión o diversidad.
Guiando a la IA por Ejemplo a través del Few-Shot Prompting
Few-shot prompting implica proporcionar al modelo ejemplos claros de lo que se espera. Es una alternativa poderosa al ajuste fino, que no requiere entrenamiento adicional.
Ejemplo de aplicación:
Quieres que el modelo convierta pedidos de pizza en JSON. Aquí te mostramos cómo estructurar tu prompt:
luaCopierModifierEjEMPLO 1:
Pedido: Quiero una pizza mediana con jamón y champiñones.
Respuesta esperada:
{
"size": "medium",
"ingredients": ["ham", "mushrooms"]
}
EjEMPLO 2:
Pedido: Una pizza grande, mitad queso, mitad verduras asadas.
Respuesta esperada:
{
"size": "large",
"ingredients": [["cheese"], ["grilled vegetables"]]
}
A partir de ahí, puedes solicitar una nueva interpretación. Este formato permite que la IA generalice a partir de ejemplos concretos.
Mejores prácticas:
- Variar las formulaciones (orales, escritas, preguntas implícitas).
- Corregir cualquier error en los ejemplos (los errores influyen mucho en la calidad).
- Priorizar la claridad sobre la complejidad.
Estructurando el Pensamiento con el Enfoque de Prompting de Retroceso
Este método se basa en dos pasos distintos:
- Primero, pregunta al modelo qué estrategia adoptaría para resolver un problema.
- Luego, pídele que resuelva el mismo problema utilizando la estrategia identificada.
¿Por qué funciona?
Al solicitar a la IA que dé un paso atrás, activa una forma más amplia de razonamiento deductivo, movilizando principios en lugar de automatismos.
Ejemplo de un prompt matemático:
- Paso 1: “¿Qué método usarías para resolver el siguiente problema: ‘Si un tren viaja a 80 km/h durante 3 horas, ¿qué distancia ha recorrido?’”
- Paso 2: “Ahora aplica este método para resolver el problema.”
Este proceso es particularmente útil en casos complejos: análisis legal, código informático o argumentación lógica.
Obteniendo Fiabilidad al Repetir y Comparar Respuestas (Autoconstancia)
Autoconstancia en el prompting implica enviar el mismo prompt múltiples veces, con una alta temperatura, para obtener diferentes respuestas. Luego, la respuesta más frecuente se considera la más fiable.
Ejemplo de un caso práctico: análisis de sentimientos de una conversación.
- Prompt: “¿Es esta discusión positiva o negativa? Responde solo con POSITIVO o NEGATIVO.”
- Envía el prompt 5 veces con
temperature = 1.5. - Resultados: POSITIVO, NEGATIVO, POSITIVO, POSITIVO, POSITIVO.
- Respuesta final: POSITIVO (mayoría)
Este tipo de método es útil para:
- Tareas de clasificación sensibles (retroalimentación de clientes, moderación).
- Resolver problemas ambiguos.
- Reducir las alucinaciones de un LLM al contrastar respuestas.
Optimizando Automáticamente Tus Prompts con Variaciones Probadas (APE)
Ingeniería de Prompts Automática (APE) permite la generación automática de múltiples versiones de un prompt, que luego se prueban para encontrar la más efectiva.
Pasos concretos:
- Proporciona un prompt base (por ejemplo, “Resume este artículo en tres oraciones.”).
- El modelo genera 10 variaciones del prompt.
- Cada versión se prueba en el mismo texto fuente.
- Las salidas se comparan con una referencia humana.
- Se retienen las mejores versiones (según BLEU, ROUGE o evaluación humana).
Ejemplo de variaciones generadas automáticamente:
- “Dame un resumen breve y claro.”
- “Resume el contenido destacando los puntos clave.”
- “¿Cuál es la idea principal de este texto?”
Esto permite identificar las formulaciones más robustas, especialmente al desarrollar asistentes personalizados o herramientas de generación de contenido automatizado.
Documentando Tus Experimentos en una Hoja de Cálculo para Progresar Más Rápido
En el campo de la ingeniería de prompts, probar, observar e iterar son las claves para la mejora. Para esto, una de las herramientas más simples y efectivas sigue siendo… la buena vieja hoja de cálculo. Crear un panel dedicado para tus prompts no solo te permite hacer un seguimiento de tus pruebas, sino también analizar su efectividad con perspectiva.
A continuación, te mostramos cómo estructurar tu hoja de cálculo para convertirla en un verdadero laboratorio:
| Nombre de la Prueba | Objetivo | Temperatura | Top-K | Top-P | Max Tokens | Prompt | Resultado Generado | Evaluación |
|---|
- Nombre de la Prueba: Da un título evocador a cada intento (por ejemplo, “Resumen de Artículo – Tono Neutral”).
- Objetivo: Resumir, generar código, clasificar, traducir, etc.
- Parámetros: Anota con precisión las configuraciones de generación (temperatura, top-K, top-P, etc.).
- Prompt Usado: Copia exactamente el texto enviado.
- Salida Generada: Pega el resultado del modelo para comparación.
- Evaluación: Agrega un comentario subjetivo o una calificación: “OK”, “aproximado”, “necesita trabajo”, etc.
Con el tiempo, construirás una base de datos personalizada de lo que mejor funciona para tus casos de uso. Esto acelera el aprendizaje, te ayuda a detectar sesgos o repeticiones, y lo más importante… evita que cometas los mismos errores.
Conclusión
La ingeniería de prompts no es una ciencia oscura reservada para investigadores. Es un diálogo: entre tú, tus necesidades y un modelo que intenta entenderte. A través de técnicas como el few-shot prompting, el razonamiento en dos pasos, la repetición o la evaluación automática, refinamos gradualmente nuestra forma de “hablar” con la IA. Y aunque algunas configuraciones o enfoques puedan parecer técnicos, recuerda: cada prueba es una oportunidad para aprender. Al cultivar una mentalidad curiosa, rigurosa y creativa, transformas un simple prompt en una verdadera palanca de innovación 🚀.
