Técnicas de prompt engineering
Agotar el prompting antes de adaptar el modelo: elegir entre zero-shot, few-shot, role prompting, prompt chaining o chain-of-thought según la tarea, porque se aplica en días y sin especialistas en ML.
1. El problema de negocio
El servicio de atención al cliente de una empresa de logística usa un modelo generativo para redactar las respuestas a reclamaciones por entregas retrasadas. Cada operador escribe su propia instrucción, sin ejemplos, y las respuestas salen con estructuras y tonos distintos. La dirección exige un formato homogéneo en pocas semanas, antes del cierre del trimestre, y la empresa no cuenta con especialistas en machine learning.
2. Solución de Google
- Servicio
- Técnicas de prompt engineering
- Capa
- Modelos
- Por qué
- Pasar de instrucciones zero-shot a un prompt few-shot con respuestas modelo fija la estructura, y el role prompting fija el tono; con metaprompting el propio modelo ayuda a redactar ese prompt, y convertirlo en un flujo de trabajo con una plantilla reutilizable o un Gem evita que cada operador improvise. Se aplica en días, sin coste de entrenamiento.
Ver la capa en el mapa de 5 capas
Capa 5Aplicaciones
La parte con la que interactúa el usuario final.
- Gemini app
- Gemini Enterprise
- Gemini for Google Workspace
- Gemini Notebook
- Gemini for Google Cloud
Capa 4Agentes
Software que persigue un objetivo usando un modelo y herramientas.
- Agentes en Agent Platform
- Customer Engagement Suite
Capa 3Plataforma
APIs, gestión de datos y despliegue de modelos; abstrae la infraestructura.
- Agent Studio
- Agent Search
- Model Garden
- Agent Platform AutoML
- RAG Engine
- Agent Runtime
Capa 2Modelos[Capa de esta lección]
Algoritmos entrenados con grandes volúmenes de datos que generan contenido.
- Gemini
- Gemma
- Imagen
- Veo
Capa 1Infraestructura
Cómputo y almacenamiento físico para entrenar y servir modelos.
- AI Hypercomputer
- Cloud TPU
- GPU
- Centros de datos de Google
3. Límites
- No la uses si
- Tras iterar el prompt con ejemplos y roles, la salida sigue sin respetar de forma estable el tono o el formato exigido y cada nueva ronda de ajustes retrasa la entrega.
- Variable que fuerza el cambio
- Plazo de entrega
- Alternativa
- Fine-tuning del modelo para fijar el comportamiento, el tono o el formato de salida.
4. La trampa del examen
- [✗] Distractor
- Hacer fine-tuning con un puñado de respuestas modelo, entendiendo que few-shot significa ajustar el modelo con pocos ejemplos.
- Por qué tienta
- El nombre few-shot evoca un entrenamiento con pocos ejemplos, y el fine-tuning también parte de ejemplos del resultado deseado.
- Por qué es incorrecto
- En one-shot y few-shot los ejemplos viajan dentro del prompt y el modelo no cambia. Confundirlo con fine-tuning convierte un ajuste de días en un proyecto de adaptación que el plazo y la falta de especialistas en ML no permiten.