Domine el marco de ingeniería rápida: aproveche el poder de los LLM

El mundo no tiene escasez de LLM dadas las opciones que tenemos; francamente, estos modelos se han convertido en productos básicos mientras hablamos, y esto se está acelerando, por ejemplo, consulte mi último artículo OpenAI GPT4o, Meta Llama 3.1B, Google Gemini 1.5 pro. Las aplicaciones como ChatGPT y Perplexity impulsadas por LLM se convertirán en herramientas cotidianas similares a MS Word y Excel.

Por lo tanto, lo que más le importa a un profesional en activo es cómo obtenemos valor de estos modelos y cómo logramos que estas aplicaciones funcionen de la mejor manera posible. Esto nos lleva a una técnica esencial que todo profesional de TI debe dominar → Ingeniería rápida.

¿Qué hace que un mensaje sea bueno?

Para aprovechar el poder de los grandes modelos lingüísticos (LLM) de manera eficaz, un buen mensaje debe ser claro, específico y bien estructurado. Estos son los elementos clave que hacen que un mensaje sea bueno

Claridad y especificidad
- Instrucciones claras:El mensaje debe proporcionar instrucciones inequívocas para evitar interpretaciones múltiples.
- Detalles específicos:Incluya información detallada sobre el contexto, el resultado deseado, el formato, el estilo y la extensión.

Contexto y antecedentes
- Contexto relevante:Proporcione suficiente información de fondo para ayudar al modelo a comprender el escenario.
- Especificación de audiencia:Adapte el mensaje al público objetivo para garantizar que el resultado sea relevante.

Formato de salida deseado
- Ejemplos:Utilice ejemplos para ilustrar el formato de salida esperado.
- Formato estructurado:Defina claramente la estructura de la respuesta, como viñetas, listas o párrafos.

Refinamiento iterativo
- Mecanismo de retroalimentación:Permitir mejoras iterativas basadas en las respuestas del modelo.
- Experimentación:Pruebe diferentes variaciones del mensaje para identificar las más efectivas.

Evitar la ambigüedad
- Lenguaje preciso:Minimice el uso de descripciones vagas o “vagas”.
- Instrucciones explícitas:Explique claramente qué hacer y qué no hacer.

Cómo los marcos de trabajo hacen que los mensajes sean efectivos

El marco de ingeniería de indicaciones proporciona una estructura que le ayudará a construir una indicación más eficaz. En los últimos dos años se han desarrollado más de 40 marcos de ingeniería de indicaciones, lo que es bastante complicado de seguir. Básicamente, evaluar un marco de ingeniería de indicaciones implica evaluar su eficacia, facilidad de uso, capacidades de mejora iterativa, métricas de rendimiento, apoyo de la comunidad y adaptabilidad.

Recomiendo los siguientes cinco marcos en función de la facilidad de uso, el rendimiento de salida, el caso de uso y la rápida reutilización.

Marco CRISP

Contexto: Proporciona antecedentes detallados, ayudando al modelo a comprender el escenario.
Solicitud: especifica la tarea claramente, garantizando que el modelo sepa qué hacer.
Insight: agrega información adicional, mejorando la comprensión del modelo.
Estilo: Define el tono y la manera de la respuesta, haciéndola adecuada para el público objetivo.
Parámetros: establece límites para la respuesta, como la longitud y el formato, lo que garantiza que la salida cumpla con requisitos específicos.

Marco ERA

Expectativa: Describe el resultado deseado, proporcionando objetivos claros para el modelo.
Role: Especifica el rol del modelo, guiando su comportamiento.
Acción: Describe la tarea específica, garantizando que el modelo sepa qué acción realizar.

Marco RTF

Pedido: Define claramente la solicitud del usuario.
Tarea: Especifica la tarea a realizar.
Formato: Describe el formato deseado de la respuesta, garantizando claridad y estructura.

Marco de trabajo de cadena de pensamiento (CoT)

Razonamiento paso a paso: Alienta al modelo a pensar en el problema paso a paso, mejorando la calidad de las tareas de razonamiento complejas.
Proceso iterativo: Permite el refinamiento y la retroalimentación, mejorando el rendimiento del modelo a lo largo del tiempo.

Marco LangGPT

LangGPT es un marco de ingeniería rápida inspirado en lenguajes de programación estructurados y reutilizables que hacen que la programación de PNL sea más estructurada y reutilizable.

Basado en plantillas: Utiliza plantillas, variables y comandos para crear indicaciones estructuradas, lo que facilita la generación de resultados de alta calidad.
Estructura de doble capa: Permite indicaciones reutilizables y modulares, mejorando la eficiencia y la consistencia.
Soporte comunitario: Proporciona plantillas y recursos compartidos, fomentando la colaboración y la mejora continua.

El módulo básico incluye los siguientes elementos:

Fue creado por una comunidad con sede en China y ha demostrado un mejor desempeño al guiar a los LLM para realizar tareas en comparación con otros marcos de ingeniería rápida.

Pros y contras de cada marco con un escenario

Cada marco tiene sus puntos fuertes y débiles, y la elección depende de la complejidad de la tarea, de su objetivo y de la familiaridad del usuario con el marco. A continuación se muestra un ejemplo que destaca los pros y los contras de estos marcos.

Generar un plan SEO para optimizar el sitio web de un producto SaaS:

Puede encontrar el resultado de estas indicaciones en función de ChatGPT aquí.

Los casos de uso ideales para cada marco.

El caso de uso también juega un papel importante en la elección del marco de trabajo. A continuación, se incluye una tabla que clasifica los distintos campos e indica el marco de trabajo de ingeniería de indicaciones más adecuado para cada categoría en función de sus puntos fuertes y características.

La conclusión

La evolución de los marcos de ingeniería rápida refleja el rápido avance de los modelos de lenguaje de IA y sus aplicaciones. Inicialmente, la ingeniería rápida se centraba en enfoques simples basados en instrucciones, pero desde entonces ha evolucionado hacia marcos más sofisticados para maximizar el potencial de la IA.

CRUJIENTE: Ideal para tareas que requieren un contexto detallado y respuestas integrales, como redacción, finanzas, marketing y aspectos legales.
Cuna: Ofrece un enfoque paso a paso, mejorando la claridad de los procesos complejos.
ERA: Ofrece un resultado simple y directo, adecuado para tareas rápidas y directas.
Texto real: Eficaz para resultados concisos y estructurados, lo que lo hace adecuado para contenido de redes sociales.
IdiomaGPT: Altamente estructurado y personalizable, lo que lo hace ideal para tareas de diseño, SEO y codificación que requieren consistencia y reutilización.

Dicho esto, a pesar de esta tendencia hacia la automatización, la experiencia humana sigue siendo crucial para adaptar las aplicaciones de IA a industrias específicas y garantizar el cumplimiento y la seguridad.

Prima: Aquí está el mensaje que utilicé para crear el título de este artículo usando CRISP, así que te sugiero que uses este marco ahora.

Contexto:Eres un escritor técnico y experto en SEO, y estás trabajando en un artículo para brindar una visión experta sobre el marco de ingeniería rápida.

Pedido:Estructura el título del artículo para que esté lo más optimizado posible para SEO. Utiliza el Planificador de palabras clave de Google, Ahrefs y SEMrush para identificar las cinco palabras clave principales.

Conocimiento:El artículo está dirigido a profesionales de TI que tienen algún nivel de comprensión de ingeniería rápida. Se utiliza para una publicación de LinkedIn y un boletín informativo.

Estilo:Atractivo.

Parámetros:El título debe ser breve, llamativo y generar un llamado a la acción.

a nuestro boletín ya que publicaremos más consejos prácticos y sugerencias para optimizar su trabajo diario.