Como hemos visto en las páginas anteriores, los prompts pueden tener distintos formatos y complejidad. Pueden incluir contexto, instrucciones y múltiples ejemplos de entrada-salida. Sin embargo, hasta ahora sólo hemos examinado distintos tipos de prompts. La combinación de estas técnicas puede dar lugar a instrucciones más potentes.
Aquí hay un ejemplo de pregunta que incluye contexto, instrucciones y varios ejemplos:
Twitter es una red social donde los usuarios pueden publicar mensajes llamados "tweets".
Los tweets pueden ser positivos o negativos, y nos gustaría poder clasificar los tweets como
positivos o negativos. Aquí hay algunos ejemplos de tweets positivos y negativos. Asegúrate
de clasificar el ultimo tweet correctamente.
P: Tweet: "¡Qué hermoso día!"
¿Este tweet es positivo o negativo?
R: Positivo
P: Tweet: "Odio esta clase"
¿Este tweet es positivo o negativo?
R: Negativo
P: Tweet: "Me encantan los bolsillos en los jeans"
R:
Si añadimos ejemplos o contextos adicionales, a menudo podemos mejorar el rendimiento de las IA en distintas tareas.
Sander Schulhoff is the Founder of Learn Prompting and an ML Researcher at the University of Maryland. He created the first open-source Prompt Engineering guide, reaching 3M+ people and teaching them to use tools like ChatGPT. Sander also led a team behind Prompt Report, the most comprehensive study of prompting ever done, co-authored with researchers from the University of Maryland, OpenAI, Microsoft, Google, Princeton, Stanford, and other leading institutions. This 76-page survey analyzed 1,500+ academic papers and covered 200+ prompting techniques.