Contenido del curso
Juan Carlos Quishpe
Javier Ramos
Daniel Ramirez
BALFRE VAZQUEZ CASTREJON
Juliane Butty
Eduardo Pech
Javier Ramos
Enrique Alexis Lopez Araujo
Juan Camilo Infante Barón
Jerson Hernán Uribe Montenegro
Juan Camilo Infante Barón
Daniel Rodriguez
Isaac David Hernández Vallejo
Brandon Vargas
Manuel Del Cura Llanos
Manuel Del Cura Llanos
Andres David Martinez Torres
Aisha Fericelli
Laura Carolina Arguelles Ocaña
Cristian Torres
CARLOS MARIO LINERO DIAZ
aperez8465
Juan Velayos
Alan Diego
Luis Ángel Morales Hernández
Roberto Orellana
Análisis del Prompt Inicial
Se parte del prompt anterior donde el LLM actuaba como un agente de viajes ayudando a planear vacaciones en pareja, pero el flujo de conversación era repetitivo y limitado.
Problema del Prompt
Cada palabra en el prompt influye directamente en el comportamiento del LLM. Si se definen mal las instrucciones, el resultado será predecible o poco útil.
Nuevo Enfoque del Prompt
Se plantea simplificar el prompt, hacerlo más flexible y permitir que el LLM haga preguntas relevantes para diseñar un plan de viaje sin limitarlo a un solo flujo de preguntas.
Mejoras del Nuevo Prompt
Importancia de la Concisión
Menos palabras en el prompt producen mejores resultados. Los LLM trabajan mejor con prompts breves y claros.
Contexto y Memoria del Prompt
Especificar información adicional útil como nacionalidad (mexicanos), destino (Europa), y creación de requisitos solo después de definir el itinerario.
Pruebas de Resultados
Se realiza una simulación con el nuevo prompt, obteniendo mejores preguntas, respuestas más enfocadas y opciones de viaje más personalizadas.
Técnica “Piensa paso a paso”
Se incluye esta instrucción para que el LLM:
Comportamiento del LLM con y sin “Piensa paso a paso”
Uso de Etiquetas XML en el Prompt
Se propone usar etiquetas XML para delimitar:
Esto permite al LLM identificar mejor qué parte del texto es relevante y darle estructura.
Beneficios de las Etiquetas XML
Resultado Final
El prompt optimizado logra:
excelente resumen Felicidades
Excelente aporte compañero
Eres un agente de viajes especializado en Europa. Tu objetivo es ayudar al usuario a planificar un viaje personalizado, dentro de su presupuesto e intereses. Hazlo en etapas: primero haz preguntas clave, luego crea un itinerario general. Responde de forma clara, directa y en bloques de información fáciles de leer. No excedas los 300 caracteres por respuesta salvo que se te pida. No respondas temas que no estén relacionados con la planificación de viajes a Europa. No inventes datos. No repitas información.
Piensa paso a paso 💚
La técnica "zero-shot" se refiere a la capacidad de un modelo de lenguaje para realizar tareas sin haber sido específicamente entrenado para ellas. En lugar de proporcionar ejemplos previos, se le da al modelo una instrucción directa sobre lo que debe hacer. Esto permite que el modelo use su comprensión general del lenguaje y el contexto para generar respuestas o realizar tareas, aprovechando su entrenamiento previo. Es útil para aplicaciones donde no hay suficientes datos específicos, ya que permite un enfoque más flexible y adaptable.
he notado que los resultados mejoran al usar la técnica del paso a paso
Para refinar un prompt, considera las siguientes técnicas basadas en la clase:
Claridad en el rol: Define claramente el rol que el LLM debe asumir (por ejemplo, "actúa como un agente de viajes").
Instrucciones específicas: Proporciona instrucciones claras y directas sobre lo que deseas que haga el modelo, evita ser vago.
Flexibilidad en preguntas: Permite que el modelo formule preguntas abiertas para obtener más información pertinente.
Pensamiento paso a paso: Indica que el modelo debe desglosar el problema en pasos más pequeños, facilitando una respuesta más estructurada.
Delimitación de contexto: Usa etiquetas o delimitadores (sin programación) para separar instrucciones, contexto y reglas, mejorando la comprensión del modelo.
Implementar estas técnicas puede hacer que tu prompt sea más efectivo y produzca mejores resultados.
Veo que hay muchas personas que en vez de <tag></tag>, usan markdown como ##Contexto, ##reglas, etc ¿hay alguna diferencia? Uno puede hacer las dos, pero markdown me parece más rápido porque no hay que poner etiqueta de cierre. Pero... alguna diferencia? qué es mejor?
Hola Juan. Trabajo actualmente en un ChatBot que está conectado con modelos de OpenAI. En el prompt se está pasando tanto bases de conocimiento como instrucciones, todo con Markdown y debo decirte que aunque funciona, hay comportamiento que ha sido un verdadero reto controlar, como por ejemplo, que no retorne la respuesta con el mismo formato de .md. Hemos intentado diferentes estrategias y ninguna nos ha dado un resultado totalmente satisfactorio. Yo haré algunas pruebas delimitando las instrucciones con XML y luego volveré y contaré como nos fue. Si puedes responde mi comentario para no perderlo de vista en mis notificaciones.
Buen´simo Jerson, gracias
Mis notas consolidadas hasta el momento. Actividades clave 1. Piensa paso a paso 2. Tipo de Prompts 3. Uso de lenguaje XLM
El lenguaje de marcado XML (eXtensible Markup Language) es un formato que permite estructurar, almacenar y transportar datos de manera legible tanto para humanos como para máquinas. Es importante utilizarlo en prompts porque ayuda a delimitar secciones específicas, como instrucciones y contexto, lo cual mejora la interpretación del contenido por parte de modelos de lenguaje, permitiendo respuestas más precisas y coherentes. Esto es especialmente útil en el desarrollo de prompts efectivos para asistentes de IA, como se discutió en la clase sobre creación de prompts.
Keynotes:
por que no pedirle al gpt que te cree el promt?
Saber ecribir un buen promt es la clave maestra
✍️ Esquema de la clase 😎
🧩 1. Problema inicial
🔄 2. Nuevo enfoque
📋 3. Detalles importantes
✍️ 4. Instrucciones claras
💻 5. Mejora avanzada: uso de etiquetas XML
Súper claro, muchas gracias.
Para los que no quieran poner su información de pago en OpenAI, está la opción de usar Ollama con Msty para correr modelos locales y poder hacer el mismo ejercicio que en el playground de OpenAI. Las respuestas del modelo local no van a ser tan precisas como las de OpenAI, pero está bueno para realizar el ejercicio.
El OpenAI Playground es una herramienta versátil que permite a los usuarios experimentar con modelos de lenguaje. En un contexto comercial, puedes usarlo para:
Prototipado de Prompts: Generar y optimizar prompts para aplicaciones específicas, como atención al cliente, generación de contenido o análisis de datos.
Análisis de Sentimientos: Evaluar la percepción de marca en redes sociales o encuestas.
Creación de Contenido: Desarrollar textos publicitarios, correos electrónicos o publicaciones en redes sociales.
Entrenamiento de Modelos: Probar y ajustar modelos de IA específicos para tus necesidades comerciales.
Utilizar Playground te permitirá ser más eficiente y creativo en tus labores.
La técnica de estilo semántico discutida en el contexto del prompt engineering se basa en cómo estructurar preguntas y respuestas para mejorar la interacción con modelos de lenguaje. Aunque Gemini de Google también utiliza modelos de lenguaje, su implementación y capacidades pueden diferir de las discutidas aquí. La clave está en experimentar con la estructura de tus prompts en Gemini, similar a lo aprendido en el curso de Platzi, para maximizar su efectividad. La aplicación de estilos semánticos es esencial en cualquier LLM, así que sí, puedes aplicar estos conceptos en Gemini.
Pedirle al modelo que "piense paso a paso" tiene varias ventajas. Esta instrucción obliga al modelo a descomponer el problema en segmentos pequeños y manejables, lo que permite:
Al aplicar estas técnicas, se pueden lograr diferentes estilos de interacción, desde conversaciones abiertas hasta cuestionarios detallados, facilitando la personalización del producto final. Se recomienda implementar estas técnicas en otros tipos de consultas utilizando GPT para mejorar la efectividad.
La instrucción "piensa paso a paso" debe colocarse al inicio de un prompt, justo después de la introducción o el rol que se le asigna al modelo. Esto permite que el modelo entienda que debe desglosar el problema en pasos pequeños y realizar preguntas más específicas. Al integrarla en la fase inicial, se mejora la dirección del diálogo y se optimiza el resultado final del prompt.
Me gustó mucho esta clase, realmente muestra cómo mejorar la creación de promts.
Por otra parte, también podemos usar al propio Chat GPT a que genere un prompt completo y nosotros ir modificando a nuestra conveniencia.
El docente mencionó que iba a mostrar dos técnicas adicionales:
Estas técnicas mejoran la efectividad del prompting en la generación de respuestas.
