Cuando trabajas con modelos de lenguaje como GPT-3.5, no estás “programando” en el sentido tradicional. Estás guiando el comportamiento del modelo a través del lenguaje. Y aquí es donde entran dos conceptos fundamentales:
- Aprendizaje en contexto (In-Context Learning)
- Ingeniería de prompts (Prompt Engineering)
¿Qué es el Aprendizaje en Contexto?
El aprendizaje en contexto es una técnica mediante la cual un modelo aprende a realizar una tarea sin necesidad de ser reentrenado, simplemente a partir de ejemplos incluidos dentro del propio prompt, lo que haces es:
- Incluir ejemplos dentro del prompt
- Mostrarle al modelo qué tipo de salida esperas
- Dejar que el modelo generalice ese patrón en tiempo de inferencia
Ejemplo sencillo
Clasifica el sentimiento:
Ejemplo 1:
Texto: Me encanta este producto
Sentimiento: Positivo
Ejemplo 2:
Texto: No funciona como esperaba
Sentimiento: Negativo
Ahora:
Texto: Es aceptable, pero mejorable
Sentimiento:El modelo no ha sido entrenado específicamente para esto en ese momento. Está aprendiendo del contexto que le das.
Ventajas y Limitaciones
Ventajas clave
- No requiere entrenamiento adicional
- Reduce costes computacionales y tiempo
- Permite adaptar modelos rápidamente a nuevas tareas
- Mejora el rendimiento sin tocar el modelo base
Limitaciones importantes
- Capacidad limitada del contexto (no puedes meter infinitos ejemplos)
- Tareas complejas pueden requerir:
- Fine-tuning
- Ajustes con gradiente (machine learning tradicional)
Componentes del Prompt
Un prompt bien diseñado tiene cuatro elementos clave:
- Instrucciones: Indican claramente qué debe hacer el modelo.
- Contexto: Proporciona información adicional para interpretar la tarea.
- Datos de entrada: Es la información concreta que el modelo debe procesar.
- Indicador de salida: Marca dónde debe responder el modelo.
Ejemplo:
Instrucción:
Clasifica la siguiente reseña...
Contexto:
Producto recién lanzado...
Entrada:
"El producto llegó tarde pero la calidad superó mis expectativas."
Salida:
Sentimiento:
Ingeniería de prompts
La ingeniería de prompts es la disciplina que se encarga de crear, refinar y estructurar prompts para obtener respuestas más precisas, relevantes y útiles de un modelo de lenguaje:
- Formular correctamente el problema
- Reducir ambigüedad
- Guiar el razonamiento del modelo
- Controlar el tipo de salida
Una buena ingeniería de prompts:
- Aumenta la precisión
- Mejora la relevancia de las respuestas
- Reduce errores y malentendidos
- Permite prescindir de fine-tuning en muchos casos
Esto es especialmente útil en aplicaciones como:
- Atención al cliente automatizada
- Análisis de datos
- Generación de contenido
- Investigación
Métodos Avanzados de Ingeniería de Prompts
Optimizar un prompt para obtener resultados consistentes, precisos y escalables. Estos métodos marcan la diferencia entre un uso básico de la IA y un uso profesional.
Zero-Shot Prompting
El zero-shot prompting consiste en pedirle al modelo que realice una tarea sin proporcionarle ejemplos previos. El modelo utiliza únicamente:
- Su conocimiento previo
- La instrucción que le das
Ejemplo
Clasifica como verdadero o falso:
La Torre Eiffel está en Berlín.
Cuándo usarlo
- Tareas simples
- Preguntas directas
- Cuando quieres rapidez y no necesitas precisión extrema
Limitación
- Menor control sobre la salida
- Mayor probabilidad de error en tareas complejas
One-Shot Prompting
El one-shot prompting añade un único ejemplo para enseñar al modelo el patrón esperado. Introduce una plantilla mental y reduce ambigüedad
Ejemplo
Traduce del inglés al francés:
Ejemplo:
Hello → Bonjour
Ahora:
Where is the nearest supermarket?
Cuándo usarlo
- Cuando el formato importa
- Cuando quieres consistencia básica
- Para tareas repetitivas
Few-Shot Prompting
El few-shot prompting amplía el concepto anterior: le das al modelo varios ejemplos antes de la tarea real.
- Mejora la generalización
- Aumenta la precisión
- Reduce errores de interpretación
Ejemplo
Clasifica la emoción:
Ejemplo 1:
Texto: Estoy muy feliz hoy
Emoción: Alegría
Ejemplo 2:
Texto: Esto me da miedo
Emoción: Miedo
Ejemplo 3:
Texto: Estoy frustrado con este resultado
Emoción: Frustración
Ahora:
Texto: Esa película fue tan aterradora que tuve que taparme los ojos
Emoción:
Cuándo usarlo
- Clasificación
- Análisis de texto
- Tareas donde el contexto es clave
Chain of Thought (CoT)
El Chain of Thought Prompting obliga al modelo a explicar su razonamiento paso a paso. Los LLM no “piensan” como humanos, pero simulan razonamiento mejor cuando lo estructuran en pasos.
Ejemplo
Una tienda tenía 22 manzanas.
Vendió 15.
Luego recibió 8 más.
¿Cuántas tiene ahora? Explica paso a paso.
Ventajas
- Mayor precisión en problemas complejos
- Transparencia en la respuesta
- Menos errores lógicos
Cuándo usarlo
- Matemáticas
- Lógica
- Análisis paso a paso
- Decisiones complejas
Autoconsistencia
La autoconsistencia es una técnica para aumentar la fiabilidad:
- Generas varias respuestas independientes
- Comparas resultados
- Te quedas con la más consistente
Ejemplo
- Problema:
- Cuando yo tenía 6 años, mi hermana tenía la mitad. Ahora tengo 70. ¿Qué edad tiene ella?
- Se le pide al modelo:
- Resolverlo varias veces
- Explicar cada razonamiento
- Luego:
- Se comparan las respuestas
- Se valida la coherencia
Qué aporta:
- Reduce errores
- Mejora confianza en el resultado
- Detecta inconsistencias
Herramientas clave en ingeniería de prompts
Para trabajar de forma profesional, no basta con escribir prompts en un chat. Necesitas herramientas.
Plataformas principales
- OpenAI Playground
- LangChain
- Hugging Face Model Hub
- IBM AI Classroom
Qué permiten hacer
- Probar prompts en tiempo real
- Comparar resultados entre modelos
- Iterar rápidamente
- Medir rendimiento
Cómo elegir el método adecuado
No todos los prompts sirven para todo.
| Método | Cuándo usarlo |
|---|---|
| Zero-shot | Tareas simples |
| One-shot | Formato específico |
| Few-shot | Precisión y consistencia |
| Chain of Thought | Problemas complejos |
| Autoconsistencia | Validación crítica |