Los prompts que funcionan valen la pena conservarlos. Una biblioteca compartida significa que nadie empieza desde una casilla en blanco, y un buen prompt escrito una sola vez se difunde por todo el equipo.
La anatomía
Lo que un prompt confiable deja claro
RolActúe como un trabajador de casos que le escribe a un cliente a un nivel de lectura de 6.º grado.
TareaExplique qué documentos llevar a la cita.
FormatoUna lista numerada corta, de menos de 120 palabras, en lenguaje sencillo.
Regla de seguridadSi no está seguro de un dato, dígalo; no invente horarios de oficina ni reglas.
Un prompt guardado que nombra el rol, la tarea, el formato y una regla de seguridad es lo que hace que el resultado sea repetible en lugar de aleatorio.
Guarde los prompts que funcionan en un documento compartido para que nadie tenga que reconstruir uno bueno de memoria, y para que un prompt que una persona ajustó se convierta en algo que todo el equipo pueda tomar y usar.
Dé a cada prompt un nombre sencillo que diga qué hace y una versión para rellenar, con marcadores de posición etiquetados como [pegue el texto, sin identificadores del cliente] en lugar de los detalles reales.
Añada una línea a cada prompt sobre qué verificar antes de usar el resultado, ya que el mismo prompt guardado lo ejecutarán personas que no lo escribieron.
Escriba la redacción exacta que funcionó, incluyendo el formato que pidió y cualquier ejemplo que dio, porque pequeños cambios en la redacción o en los ejemplos pueden cambiar lo que regresa.
Mantenga los nombres de clientes, los números A y los detalles de caso fuera de cada prompt guardado, para que una biblioteca compartida nunca se convierta en un lugar donde se acumulan en silencio los datos del cliente.
Permita que el personal añada prompts y marque los que resisten la prueba, para que la biblioteca refleje lo que realmente funciona en sus programas y no solo lo que se vio bien una vez.
Feche cada prompt y revise la biblioteca cuando cambien sus herramientas, ya que una redacción que funcionaba en una versión de una herramienta puede empezar a devolver algo distinto en silencio.
Cómo funciona, y dónde falla
1El modelo aprende la tarea a partir del propio prompt
Cuando usted le da a una de estas herramientas un prompt, no se vuelve a entrenar. Lee su redacción y cualquier ejemplo que incluya, y produce la respuesta para este único intercambio, condicionándose al texto exacto que tiene delante. Este comportamiento, tomar una tarea a partir de instrucciones y unos pocos ejemplos colocados en el prompt, se llamó aprendizaje en contexto (in-context learning) y se demostró que funciona a gran escala (Brown y colegas, 2020). Por eso una instrucción clara con un ejemplo resuelto suele darle un mejor resultado que una petición simple, y por eso vale la pena guardar palabra por palabra el prompt específico que funcionó.
2Pequeños cambios de redacción pueden cambiar la respuesta
Como el modelo se condiciona a su texto exacto, la misma solicitud puede regresar distinta cuando usted la reformula, reordena los ejemplos, o cambia el formato. Un estudio controlado encontró que los cambios solo en el formato del prompt, con el significado sin variar, hacían variar ampliamente la exactitud de un modelo en la misma tarea (Sclar y colegas, 2024). Para el trabajo de una agencia, eso significa que un prompt que alguien logró que funcionara es un activo específico, y volver a escribirlo de memoria puede cambiar en silencio el resultado que termina viendo un cliente.
3Un prompt guardado y probado es una pequeña pieza de control de calidad
Una vez que un prompt devuelve confiablemente lo que usted necesita, guardar la redacción exacta convierte un resultado afortunado en uno repetible. Todos los que ejecutan la versión guardada parten de la redacción que ya se revisó, así que el resultado varía menos de una persona a otra y su atención se dirige a verificar el resultado en lugar de reconstruir la solicitud. Mantener la línea de verificación pegada al prompt hace que el paso de verificación viaje con él hacia quien lo ejecute después.
Haga que un prompt sea reutilizable
Cómo convertir un prompt en una plantilla que su equipo pueda reutilizar
Dele un nombre sencillo que diga qué hace, como Folleto en lenguaje sencillo a partir de una política.
Reemplace los detalles específicos con marcadores de posición claramente etiquetados, como [pegue el texto, sin identificadores del cliente].
Añada una línea sobre qué verificar antes de que el resultado salga.
Guárdelo en un documento compartido que todo el equipo pueda abrir y editar.
Anote la fecha, y revíselo cuando cambien sus herramientas.
Un prompt que funcionó una vezUna plantilla reutilizable para el equipo
Convierta un prompt que funcionó en una plantilla que el equipo pueda reutilizar
Reescriba este prompt como una plantilla limpia y reutilizable. Reemplace cualquier detalle específico con marcadores de posición claramente etiquetados, manténgalo libre de nombres e identificadores, y añada una línea que recuerde al usuario qué verificar antes de usar el resultado. [pegue el prompt que quiere guardar]
Regla de seguridad. Guarde la plantilla donde el equipo pueda encontrarla, y manténgala libre de identificadores del cliente.
Un prompt que usted cree que funcionaUn prompt que usted ya puso a prueba
Ponga a prueba un prompt antes de que entre en la biblioteca
Aquí hay un prompt que quiero guardar para mi equipo. Ejecútelo tal como está escrito, y luego dígame dónde su redacción es ambigua, dónde un usuario podría pegar algo que lo rompa, y dónde el resultado podría salir mal sin que el usuario lo note. Sugiera una versión más ajustada y enumere qué debería verificar un usuario antes de confiar en el resultado. [pegue el prompt que quiere guardar]
Regla de seguridad. Guarde el prompt ajustado donde el equipo pueda encontrarlo, y manténgalo libre de identificadores del cliente. Consulte el Módulo 6.
Un montón de prompts guardadosUn índice organizado y localizable
Redacte un breve índice para que la biblioteca siga siendo utilizable
Aquí hay una lista de títulos de prompts que mi equipo ha guardado. Agrúpelos en unas pocas categorías sencillas, sugiera una descripción de una línea para cada una para que un nuevo miembro del personal sepa cuándo usarla, y marque cualquier par que parezca duplicado para que podamos fusionarlos. [pegue su lista de títulos de prompts, sin identificadores del cliente]
Regla de seguridad. La herramienta puede clasificar títulos, pero no puede juzgar qué prompt es seguro o está vigente, así que una persona revisa cada uno antes de que permanezca en la biblioteca. Consulte el Módulo 6.
Ejemplo práctico
El mismo prompt, reescrito de memoria
Un trabajador de casos tiene un prompt que convierte confiablemente un aviso de beneficios en un folleto en lenguaje sencillo, y termina enumerando cada fecha y monto para poder verificarlos.
A un colega le gusta el resultado y reescribe el prompt de memoria, omitiendo la línea final que pide que se enumeren las fechas y los montos.
La versión del colega se lee igual de fluida, pero el folleto ya no extrae los plazos en una lista verificable, así que una fecha de presentación queda enterrada en un párrafo donde es fácil pasarla por alto.
Copian el prompt guardado palabra por palabra, la lista verificable regresa, y añaden la redacción exacta a la biblioteca compartida para que la siguiente persona parta del prompt que ya se probó.
Regla de seguridad. Un prompt compartido solo es seguro si no contiene datos del cliente. Mantenga la biblioteca limpia y haga de su revisión un hábito del equipo. Consulte el Módulo 4 y el Módulo 6.
Fuentes
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., ... Amodei, D. (2020). Language models are few-shot learners. In Advances in Neural Information Processing Systems 33 (pp. 1877-1901). https://arxiv.org/abs/2005.14165
Sclar, M., Choi, Y., Tsvetkov, Y., & Suhr, A. (2024). Quantifying language models' sensitivity to spurious features in prompt design or: How I learned to start worrying about prompt formatting. In The Twelfth International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2310.11324