Fundamentos de la Prompting con LLM para Desarrolladores

El Cambio hacia Modelos Ajustados por Instrucciones

¿Cuál es la base?

En el pasado, los modelos base de LLM se entrenaron principalmente para predecir la siguiente palabra en una secuencia basándose en grandes cantidades de datos. Sin embargo, para los desarrolladores, el verdadero poder reside en modelos LLM ajustados por instrucciones. Estos modelos se perfeccionan mediante aprendizaje por refuerzo a partir de retroalimentación humana (RLHF) para seguir comandos específicos y actuar como asistentes útiles.

La regla de oro:Trata al LLM como un empleado inteligente pero literal. Carece de tu contexto específico, así que debes ser explícito sobre tus objetivos.

Cómo aplicar los principios fundamentales

Claridad y especificidad: La claridad no significa brevedad. Proporcionar más contexto y usar delimitadores (como comillas triples o etiquetas XML) ayuda al modelo a distinguir tus instrucciones del dato que necesita procesar.
Dale tiempo al modelo para pensar: Las tareas complejas requieren un en cadena de pensamiento. Si le pides al modelo que salte directamente a una conclusión, es más probable que cometa un error de razonamiento. Indícale primero que trabaje su propia solución.

Evita las alucinaciones

Los modelos pueden generar información "creíble" pero falsa. Verifica siempre los hechos o indícales que cite sus fuentes para mitigar este riesgo.

TERMINALbash — 80x24

> Ready. Click "Run" to execute.

Question 1

Why should a developer prefer an Instruction Tuned LLM over a Base LLM for building an application?

Base LLMs are better at following complex instructions.

Instruction Tuned LLMs are trained to follow tasks and are less likely to simply "complete" the text.

Base LLMs never hallucinate.

Challenge: Generating Structured Data

Apply prompting principles to format output.

You have a list of ingredients. You need to convert this list into a JSON format for a web app.

Task

Write a prompt that requests JSON output with keys for 'item' and 'quantity'. Include a condition check: If the input is not a recipe, output "No recipe detected."

Solution:

prompt = "You will be provided with text. If it contains a recipe, convert it to JSON with keys 'item' and 'quantity'. If not, write 'No recipe detected.' Text: <user_input>"