Prompt engineering
El prompt engineering para modelos de lenguaje grandes está generando debate sobre si los usuarios deberían necesitar técnicas especializadas para obtener buenos resultados de herramientas como ChatGPT. Los comentaristas intercambian recursos y tácticas —como prompts de sistema detallados, salidas estructuradas y dividir tareas en pasos— mientras cuestionan si esto realmente cuenta como "ingeniería" o es solo comunicación por ensayo y error. Muchos esperan que estas particularidades desaparezcan a medida que mejoren los modelos y las interfaces, pero señalan que aprender a redactar prompts más claros ya revela lecciones más amplias sobre la comunicación humana, la ambigüedad y el diseño de interfaces de usuario.
Estado de la guía de OpenAI y alternativas
- Muchos señalan que la guía de OpenAI no es nueva; simplemente aparece en HN por primera vez.
- Varios comentaristas dicen que hay recursos mejores o más completos (otras guías, cursos, repositorios de GitHub).
- Algunos ven la guía como una buena introducción sencilla; otros dicen que solo cubre “demos básicas” y omite patrones potentes como prompts de sistema complejos y salidas estructuradas.
¿Es necesario el prompt engineering?
- Un bando sostiene que no debería existir: si los modelos de lenguaje realmente entendieran el lenguaje natural, bastarían el habla común y una buena UX.
- Otros responden que los LLM actuales son imperfectos, y que ajustar los prompts mejora los resultados de forma medible.
- Se hacen comparaciones con cómo los humanos también necesitan entrenamiento para comunicarse con claridad; la ambigüedad y el contexto faltante son modos de fallo comunes tanto en humanos como en LLMs.
- Algunos esperan que el prompt engineering desaparezca a medida que mejoren los modelos y las interfaces, de forma parecida a cómo las restricciones del hardware de bajo nivel dejaron de ser tan visibles en la informática.
¿Es realmente “ingeniería”?
- Un largo subhilo debate el término: algunos lo llaman “oficio” de prueba y error, no ingeniería.
- Otros dicen que los ajustes iterativos bajo restricciones son exactamente lo que parecen muchas disciplinas de ingeniería.
- Nombres alternativos sugeridos: “prompt crafting”, “context composition”.
- Tensión de fondo: qué nivel de teoría o rigor se requiere antes de que algo merezca la etiqueta de “ingeniería”.
Técnicas y prácticas discutidas
- Consejo común: ser explícito, proporcionar contexto y texto de referencia, dividir tareas complejas y permitir pasos de “pensamiento”.
- Uso intensivo de prompts de sistema largos y precisos; cada comportamiento no deseado lleva a otra regla o ejemplo.
- Las salidas estructuradas mediante esquemas JSON, function calling y herramientas externas se ven como potentes pero complejas.
- El tono y el encuadre importan: comandos estrictos, lenguaje emocional (“enjoy”, “embarrassed”), e incluso amenazas pueden cambiar el comportamiento, lo que inquieta a algunos comentaristas.
UX, interfaces y evolución futura
- Comparaciones con la búsqueda de Google: el prompt engineering se compara con operadores de búsqueda avanzados.
- Algunos esperan un cambio hacia lenguajes de consulta estructurados o híbridos (tipo SQL, tipo CLI) y GUIs más ricas con filtros y opciones.
- Otros predicen que las interfaces habladas y conversacionales dominarán a medida que la voz a texto y los LLMs converjan.
Evaluación, fiabilidad y preocupaciones de seguridad
- Varios critican las evaluaciones que ignoran el prompt engineering, argumentando que subestiman la capacidad del modelo.
- Contrapunto: ajustar prompts manualmente para cada ejemplo es “hacer trampa” y no es viable en sistemas reales.
- El prompt injection y la falta de un límite claro entre “instrucciones” y “datos” se ven como problemas fundamentales que afectan la fiabilidad y el razonamiento formal.