Show HN: Un generador simple de prompts para ChatGPT

Artículo original ↗ Discusión en Hacker News ↗

Un “prompt builder” ligero para ChatGPT recibe reacciones mixtas: algunos lo encuentran útil para estructurar instrucciones y sugieren plantillas más ricas, atajos de teclado y mejor manejo de formatos como JSON o XML, mientras que otros sostienen que aporta poco más allá de lo que ChatGPT ya puede generar por sí mismo. La conversación se amplía hacia si la “ingeniería de prompts” es una disciplina real o solo buena comunicación, cuánto sigue importando el prompting detallado a medida que mejoran los modelos, y la necesidad de herramientas que puedan comparar empíricamente variantes de prompts en vez de limitarse a ensamblar bloques de texto.

Recepción general

  • Varios comentaristas encuentran útil y “cool” el generador de prompts, obteniendo resultados satisfactorios o divertidos.
  • Otros lo ven simplemente como un formulario de bloques de texto que no es específico de ChatGPT y cuestionan si aporta valor frente a pedirle a un LLM que escriba prompts por sí mismo.
  • Hay un escepticismo leve sobre vincularlo específicamente a “ChatGPT” dado que funciona con cualquier LLM.

Errores, redacción y detalles técnicos

  • Al principio, los usuarios reportan un campo “please” roto y erratas (“Propmpt”, “input the final result” en lugar de “output”), que se corrigen rápidamente.
  • Un comentarista señala un tamaño de página sorprendentemente grande para una app tan simple (≈1.4 MB).

Casos de uso, audiencia y utilidad

  • Algunos argumentan que la audiencia objetivo no está clara: los principiantes quizá no entiendan el significado o el efecto de selectores vagos como “you will Detect”.
  • Otros piensan que es un buen marco para personas que ya saben algo de prompting y quieren orientación estructurada.
  • Una crítica recurrente: para muchos usuarios, puede ser más fácil pedirle a ChatGPT que genere o refine prompts directamente.

Ingeniería de prompts, plantillas y buenas prácticas

  • Varias personas piden más plantillas, especialmente para:
    • Instrucciones previas de estilo system.
    • Restricciones de postprocesado y formatos de salida (JSON, CSV, listas).
    • Prompts resistentes a jailbreaks.
  • Debate en torno al formato JSON:
    • Algunos usan una redacción muy estricta y “micromanaging” para forzar JSON.
    • Otros señalan el function calling y las APIs en modo JSON como soluciones más limpias.
  • Debate más amplio sobre la “ingeniería de prompts”:
    • Algunos dicen que los patrones complejos tipo “act as…” son menos necesarios con modelos más nuevos.
    • Otros afirman que los system prompts y las identidades bien elaboradas siguen ayudando con problemas como la pereza o las respuestas parciales.

Evaluación y experimentación

  • Varios comentaristas quieren herramientas para:
    • Probar A/B variaciones de prompts y modelos con conjuntos de entrada fijos.
    • Evaluar respuestas de forma sistemática (por ejemplo, con LLM-as-judge o comparación de cadenas).
  • Se señala que medir prompts “mejores” es difícil debido a entradas abiertas y salidas subjetivas; los resultados suelen ser muy estocásticos.

Solicitudes de funciones y actualizaciones

  • Las solicitudes incluyen navegación con teclado (tab/ctrl-enter), más ejemplos por plantilla y roles/opciones más claras.
  • Una actualización posterior (v0.2) añade plantillas definidas por el usuario, menús de variables, presets de ejemplos, persistencia en localStorage, exportación/importación y edición en el lugar.