Los 26 principios para interactuar con un LLM

Introducción

Un reciente estudio titulado «Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4» ha investigado sobre cómo la estructura y claridad de los prompts pueden influir significativamente en la efectividad de estos modelos. Este post del blog nos enfocaremos en los 26 principios clave para interactuar efectivamente con LLaMA y GPT-3.5/4.

Los 26 Principios para Interactuar con LLMs

1. No necesitas ser cortés con los Modelos de Lenguaje de Gran Escala, así que no es necesario agregar frases como “por favor”, “si no te importa”, “gracias”, “me gustaría”, etc. Ve directo al grano.
2. Integra a la audiencia objetivo en el mensaje, por ejemplo, si la audiencia es experta en el campo.
3. Cuando necesites claridad o un entendimiento más profundo de un tema, idea o cualquier información, utiliza mensajes como: «Explica [insertar tema específico] en términos sencillos.», «Explícame como si tuviera 11 años.», «Explícame como si fuera un principiante en [campo].», «Escribe el [ensayo/texto/párrafo] usando un inglés sencillo como si estuvieras explicando algo a un niño de 5 años.»
4. Descompón tareas complejas en una secuencia de mensajes más simples en una conversación interactiva.
5. Emplea directivas afirmativas como ‘hacer’, mientras evitas el lenguaje negativo como ‘no hacer’.
6. Añade «Te daré una propina de [$xxx] por una mejor solución».
7. Implementa mensajes basados en ejemplos.
8. Al formatear tu mensaje, comienza con ‘###Instrucción###’, seguido de ‘###Ejemplo###’ o ‘###Pregunta###’ si es relevante. Luego, presenta tu contenido. Usa uno o más saltos de línea para separar instrucciones, ejemplos, preguntas, contexto y datos de entrada.
9. Incorpora las frases: «Tu tarea es» y «DEBES».
10. Incorpora las frases: «Serás penalizado».
11. Usa la frase «Responde a la pregunta de manera natural y similar a un humano» en tus mensajes.
12. Usa palabras guía como «piensa paso a paso».
13. Añade la frase «Asegúrate de que tu respuesta sea imparcial y no se base en estereotipos».
14. Permite que el modelo solicite detalles precisos y requisitos haciéndote preguntas hasta tener suficiente información para proporcionar la salida necesaria (por ejemplo, «De ahora en adelante, me gustaría que me hicieras preguntas para…»).
15. Para preguntar sobre un tema específico o idea y quieres probar tu entendimiento, puedes usar: «Enséñame el [cualquier teorema/tema/regla] e incluye una prueba al final, pero no me des las respuestas y luego dime si respondí correctamente».
16. Asigna un rol a los modelos de lenguaje de gran escala.
17. Usa delimitadores.
18. Repite una palabra o frase específica varias veces dentro de un mensaje.
19. Combina el Pensamiento en Cadena (CoT) con mensajes con pocos ejemplos.
20. Utiliza iniciadores de salida, terminando tu mensaje con el inicio de la respuesta anticipada.
21. Para escribir un ensayo/texto/párrafo/artículo detallado sobre un tema: «Escribe un [ensayo/texto/párrafo] detallado sobre [tema] añadiendo toda la información necesaria».
22. Para corregir/cambiar un texto específico sin cambiar su estilo: «Intenta revisar cada párrafo enviado por los usuarios, mejorando solo la gramática y el vocabulario y asegurando que suene natural, sin cambiar el estilo de escritura».
23. Para mensajes de codificación complejos que pueden estar en diferentes archivos: «Genera un script en [lenguaje de programación] que pueda crear automáticamente los archivos especificados o hacer cambios en archivos existentes para insertar el código generado. [tu pregunta]».
24. Para iniciar o continuar un texto usando palabras, frases o oraciones específicas: «Te proporciono el comienzo [letra de canción/historia/párrafo/ensayo…]: [Inserta letra/palabras/oración]. Termínalo basándote en las palabras proporcionadas».
25. Establece claramente los requisitos que el modelo debe seguir para producir contenido, en forma de palabras clave, regulaciones, pistas o instrucciones.
26. Para escribir un texto similar a una muestra proporcionada: «Usa el mismo lenguaje basado en el párrafo proporcionado[/título/texto/ensayo/respuesta]».

Conclusiones

Este estudio revela que la eficacia de los LLMs, como LLaMA y GPT-3.5/4, aumenta significativamente cuando se aplican estos principios. Al estructurar las preguntas y comandos de manera clara y específica, los usuarios pueden obtener respuestas más precisas y útiles. Esto no solo mejora la calidad de las interacciones sino que también abre nuevas posibilidades en la manera en que utilizamos estos modelos avanzados de inteligencia artificial.