Ingeniería de contexto: los cuatro elementos de un prompt que funciona

La calidad de un prompt parece un detalle menor hasta que el problema es realmente complejo. Ahí es cuando uno descubre que buena parte del resultado depende de cómo se formula la petición. Hay cuatro elementos básicos que ayudan, tanto en las conversaciones diarias con un LLM como en el diseño de sus propios agentes.

• Instrucción — la tarea concreta que usted quiere que el modelo realice. Cuanto más clara y específica, mejor.
• Contexto — la información externa o de fondo que orienta al modelo hacia una mejor respuesta. Es lo que le da el marco para entender qué se le pide.
• Datos de entrada — la pregunta o el insumo puntual sobre el que se quiere una respuesta.
• Formato de salida — el tipo o la estructura de respuesta que se espera: una lista, una tabla, un párrafo, un dato concreto.

Hace poco estaba terminando el desarrollo de un agente. La arquitectura parecía la correcta, la selección del modelo también, y las herramientas eran las necesarias para resolver la tarea; sin embargo, los resultados no eran los esperados. En momentos así siempre vale la pena ponerse el sombrero clásico de la ciencia de datos y preguntarse: ¿qué calidad tienen mis datos y mi contexto? ¿Puedo modificarlos para que el modelo los entienda mejor? ¿Puedo ajustar todo lo que controlo como si fueran hiperparámetros?

Ahí estaba la respuesta. No era un problema de arquitectura, sino de hacer la correcta ingeniería de contexto. La inteligencia artificial, antes de ser inteligencia, tiene que ser útil, y esa utilidad depende muchas veces más de nosotros, de dónde decidimos colocarla y de cómo la alimentamos, que del modelo en sí.

Para que la inteligencia artificial tenga impacto, los inteligentes primero tenemos que ser nosotros.

Antes de cambiar de modelo o rediseñar la arquitectura, revise el prompt y el contexto. Muchas veces la mejora más grande no está en la máquina, sino en cómo le hablamos.