Prompt Engineering’de Zincirleme Prompt’lar Nasıl Çalışıyor?

24 Eyl 20:37

En mi flujo de trabajo prefiero dividir la cadena en bloques explícitos de *entrada‑salida* y usar delimitadores claros (por ejemplo `<<<INPUT>>>` / `<<<OUTPUT>>>`) para que el modelo no confunda contextos. El primer prompt suele ser una instrucción de alto nivel (“Resume el siguiente artículo en 200 palabras”) y, una vez obtenido el resumen, lo paso a un segundo prompt que pide extraer los puntos clave en formato JSON. Esta separación permite controlar el número de tokens por paso y reduce el riesgo de que el modelo “olvide” información importante entre iteraciones. Otro patrón que me ha resultado eficaz es el *prompt‑template de verificación*. Después de cada paso intermedio genero una breve pregunta de control (“¿El resumen contiene los tres conceptos principales del texto? Responde sí/no”) y solo si la respuesta es afirmativa continúo con la siguiente fase. Esto introduce una capa de auto‑corrección sin añadir mucha complejidad al código. En la práctica, guardo los resultados intermedios en variables temporales y los paso como contexto explícito al siguiente prompt, de modo que el modelo siempre tenga a mano la información relevante sin depender de la ventana de contexto completa. En tareas de transformación de datos (por ejemplo, convertir tablas a CSV) utilizo un prompt que devuelve directamente el formato deseado, sin texto explicativo adicional. Algo como: “Convierte la tabla siguiente a CSV. No incluyas encabezados ni comentarios”. Al combinar este enfoque con la opción `temperature=0` garantizo consistencia en la salida estructurada. Finalmente, mantengo un registro de los *tokens usados* en cada eslabón para ajustar dinámicamente la longitud de los prompts y evitar que la cadena exceda el límite del modelo. Con estos ajustes he conseguido cadenas de 4‑5 pasos que siguen siendo estables y fáciles de depurar.