023_writing_clear_instructions_delimiters - IUGO-Studio/tech-ia GitHub Wiki

Resumen general:

El video explica el concepto de "delimiters" (delimitadores) en el contexto de la interacción con modelos de lenguaje como ChatGPT. Los delimitadores son símbolos o palabras clave que se utilizan para indicar al modelo qué parte del prompt debe procesar o sobre qué parte debe operar. Se muestran ejemplos de cómo usar comillas triples, corchetes y etiquetas XML como delimitadores, y cómo utilizarlos para separar diferentes partes de una tarea o para especificar diferentes entradas para el modelo.

Conceptos clave:

  • Delimiters (Delimitadores): Símbolos o palabras clave que se utilizan para marcar el inicio y el final de una sección específica de texto dentro de un prompt.
  • Comillas triples (Triple Quotes): """ Un tipo común de delimitador utilizado para encerrar bloques de texto.
  • Corchetes (Square Brackets): [] Otro tipo de delimitador que se puede utilizar para separar diferentes partes del prompt.
  • Etiquetas XML (XML Tags): <tag>...</tag> Un formato de marcado que se puede utilizar como delimitador, especialmente útil para estructurar información.
  • Prompt Engineering: El arte de crear prompts.
  • LLM: Modelo de lenguaje extenso.
  • Universalidad de delimitadores: Los delimitadores se pueden usar en cualquier LLM.

Ejemplos prácticos:

  1. Resumen de texto delimitado por comillas triples:

    • Prompt: "Summarize the text delimited by triple quotes. """My father is happy.""" "
    • Respuesta: El modelo genera un resumen del texto "My father is happy".

  2. Uso de múltiples delimitadores ("abstract" y "title"):

    • Prompt: Se define un escenario donde se proporciona un extracto de una disertación y un título propuesto. Se utilizan los delimitadores "Please input abstract" y "Please input title" para separar las diferentes partes del prompt.
    • Se le indica explícitamente al modelo que use esos delimitadores.

  3. Comparación de texto con diferentes delimitadores (comillas triples y corchetes):

    • Prompt: "Summarize the text delimited by triple quotes. """My father is happy.""" Then compare the generated summary to the text delimited with square brackets, "[My dad is happy.]" Provide a final answer on whether the summary and the square bracket text are similar in meaning."
    • Respuesta: El modelo resume el texto en comillas triples, compara el resumen con el texto en corchetes y determina que tienen un significado similar.

  4. Uso de XML tags

    • Se muestra como usar XML tags para delimitar diferentes articulos.

Consejos y buenas prácticas:

  • Utiliza delimitadores para separar diferentes partes de un prompt complejo: Esto ayuda a organizar la información y a guiar al modelo para que procese cada parte correctamente.
  • Elige delimitadores que sean claros y fáciles de identificar: Evita delimitadores que puedan confundirse con el contenido del texto.
  • Sé consistente en el uso de delimitadores: Utiliza los mismos delimitadores en todo el prompt para evitar confusiones.
  • Explica al modelo cómo usar los delimitadores: En el prompt, indica explícitamente qué delimitadores estás utilizando y qué significan.
  • Capitalización: Se indica que es una buena práctica capitalizar los delimitadores, para mejorar la comprensión por parte del LLM.

Dudas o preguntas:

  • ¿Se pueden utilizar otros símbolos o palabras clave como delimitadores, además de los ejemplos mostrados en el video? Investigación: Sí, se pueden utilizar otros símbolos o palabras clave, siempre que sean claros y no se confundan con el contenido del texto. Algunas opciones comunes incluyen: ###, ---, <<< >>>, {{ }}, o incluso palabras clave personalizadas como "INICIO_TEXTO" y "FIN_TEXTO".

  • ¿Cómo se puede combinar el uso de delimitadores con otras técnicas de prompting, como el "Chain of Thought" o el "Few-Shot Learning"? Investigación: Los delimitadores se pueden utilizar para separar diferentes partes de un prompt que utiliza "Chain of Thought" o para estructurar los ejemplos en un prompt de "Few-Shot Learning".

  • ¿Cuáles son las limitaciones del uso de delimitadores? Investigación: Los delimitadores pueden no ser suficientes para tareas muy complejas que requieren una comprensión profunda del contexto o una lógica sofisticada. Además, el modelo puede confundirse si los delimitadores no se utilizan de forma consistente o si se incluyen en el contenido del texto.

  • ¿Qué ocurre si no se usan delimitadores?

    • Ambigüedad: El LLM podría no saber a qué parte del prompt se refiere una instrucción.
    • Confusión: Podría interpretar mal las instrucciones o mezclar diferentes partes del prompt.
    • Resultados incorrectos: Podría generar respuestas irrelevantes, incoherentes o incorrectas.

    Los delimitadores son una forma de estructurar el prompt y guiar al LLM para que procese la información de la manera deseada. Sin delimitadores, el prompt se convierte en un bloque de texto sin estructura, lo que dificulta que el LLM entienda la intención del usuario y las relaciones entre las diferentes partes del prompt.

⚠️ **GitHub.com Fallback** ⚠️