Embedded Files
INB COMPUTERS "Honestidad, calidad y profesionalismo"
POSTED ON: 30 diciembre, 2023. ACTUALIZADO EN: 6 mayo, 2026.
PROMPT IA
PROMPT IA
¿Qué es un prompt en IA?
¿Qué es un prompt en IA?
Un aviso o comando para la IA del inglés prompt "es una instrucción o texto inicial que se le proporciona a una herramienta de IA generativa para guiar su generación de respuestas o resultados, según los formatos en los que se especialice la herramienta" es la forma en que se comunica el usuario con la IA suele ser con un tono natural como una conversación con un amigo, pero esta debe de ser lo suficientemente clara para proporcionar como que profesión responderá, el contexto, un ejemplo de lo que se quiere llegar, delimitación del tema extensión o salida (tabla, código, script), tono formal, informal, poético, explicación sencilla o como clase de universidad por ejemplo.
Universidad Autónoma de Baja California Centro de Investigación para el Aprendizaje Digital (2024). Recomendaciones para la Integración Efectiva de la Inteligencia Artificial Generativa en la Práctica Docente de Educación Superior. https://drive.google.com/file/d/1IoqXOb8LbSGcgfGZ06LsY3ynqUmbonXE/view
PROMPT ENGINEERING
PROMPT ENGINEERING
¿Qué es prompt engineering?
¿Qué es prompt engineering?
El prompt engineering es el proceso de diseñar y crear de manera estratégica y cuidadosa los prompts que vamos a utilizar para así guiar correctamente a los modelos de lenguaje en tareas muy específicas.
Debes saber que un prompt bien formulado va a influir en la generación de respuestas coherentes y relevantes, y permitir que el modelo se adapte mejor a tus necesidades como usuario. Por otro lado, un prompt no adecuado podría generar resultados indeseados.
En este sentido, aprender sobre prompt engineering es muy importante para garantizar la precisión y la veracidad de los resultados, algo que es especialmente crítico en aplicaciones como la traducción automática, la redacción de informes, el análisis de textos, la resolución de preguntas, etc.
A medida que los modelos de inteligencia artificial avanzan, los investigadores y desarrolladores están prestando cada vez más atención a cómo estructurar y ajustar los prompts. Esto incluye explorar estrategias como el ajuste de la longitud del prompt, el uso de palabras clave, la modificación de instrucciones y el control de la “temperatura” para influir en la generación del modelo.
Por lo tanto, si deseas utilizar herramientas de IA generativa en tu empresa, tú y tu personal deben mantenerse actualizados con el estudio del prompt engineering, ya sea a través de cursos, videotutoriales o de foros especializados como GitHub.
Comunidad empresas (2024). Qué es un prompt en IA y para qué sirve (+ Ejemplos). https://ce.entel.cl/articulos/que-es-un-prompt/
PATRONES DE DISEÑO DE INTERACCIÓN PARA IA
PATRONES DE DISEÑO DE INTERACCIÓN PARA IA
Clasificación en Desarrollo de Software (Agentes de IA)
Protocolo de Comunicación Inter-Agente (Agent-to-Agent): Cuando un agente de IA habla con otro agente, las cortesías humanas ("Hola", "Por supuesto") rompen el código y gastan dinero. El modo cavernícola es el estándar de facto para que las máquinas hablen entre sí de forma eficiente.
Filtro de Salida (Output Parser Económico): Una alternativa ligera a usar formatos pesados como JSON cuando solo necesitas una respuesta binaria (Sí/No) o un dato exacto.
PATRONES DE DISEÑO DE INTERACCIÓN PARA IA
PATRONES DE DISEÑO DE INTERACCIÓN PARA IA
Restricción de Formato (Format Constraining): Obliga a la IA a seguir una estructura rígida eliminando el lenguaje natural superfluo.
Asignación de Rol Corto (Role-Play Estricto): Actúa como un personaje con limitaciones de habla (cavernícola) para forzar la síntesis de información.
Instrucción de Anti-Verbosidad: Es la evolución extrema de prompts tradicionales como "Sé conciso" o "Responde sin introducciones"
Caveman Mode (Modo Cavernícola)
Caveman Mode (Modo Cavernícola)
Caveman Mode (Modo Cavernícola) Es una técnica de optimización y un formato de prompt que obliga a la IA a hablar como un cavernícola primitivo. Su objetivo real no es bromear, sino eliminar la verborrea, saludos, explicaciones redundantes y artículos gramaticales ("el", "un", "la").
Mantiene el código y los datos técnicos intactos, pero reduce el texto de comunicación humana. Esto genera un ahorro de entre 45% y 75% en tokens de salida, acelerando la velocidad de respuesta y disminuyendo los costos de uso.
Método A: Instalación como Skill/Plugin (En Claude Code o IDEs)
Método A: Instalación como Skill/Plugin (En Claude Code o IDEs)
Para entornos de desarrollo basados en terminal o editores de código, se instala mediante herramientas automatizadas:
Puedes utilizar gestores de plugins comunitarios ejecutando en tu terminal:npx claudepluginhub juliusbrussee/caveman --plugin caveman
O bien, descargar el archivo de la extensión oficial del repositorio 3idhMind/caveman-skill en GitHub e importarlo desde el panel de habilidades en la configuración web.
Una vez instalado, se activa directamente en el chat escribiendo el comando /caveman (y se apaga con /normal).
Método B: Mediante System Prompt (Sin instalar nada)
Método B: Mediante System Prompt (Sin instalar nada)
Si se utiliza la interfaz web tradicional (como claude.ai, ChatGPT o la API), basta con copiar y pegar la instrucción base en el System Prompt o al inicio de la conversación:
Responde en Modo Cavernícola. Sin artículos, sin palabras de relleno, sin cortesías. Brevedad máxima a nivel de gruñido. El código habla por sí mismo. Si pido código, da código. No expliques a menos que te lo pida.
¿En qué modelos se puede implementar?
¿En qué modelos se puede implementar?
Aunque fue diseñado específicamente para la plataforma de Anthropic, la técnica funciona bajo cualquier arquitectura de LLM (Large Language Model):
Familia Claude (Anthropic): Optimizado para Claude 3.5 Sonnet y Claude 4.7 Opus. Es donde mejor funciona debido a su alta precisión técnica nativa a pesar del drástico recorte de palabras.
Modelos de OpenAI: Se puede usar perfectamente en GPT-4o y GPT-4o-mini, así como en modelos de razonamiento avanzado como o1 y o3, logrando compactar la respuesta final entregada al usuario tras su proceso interno de pensamiento.
Modelos de código abierto: Modelos como Llama 3 (Meta) o DeepSeek-R1 entienden la instrucción sin problemas, aunque los modelos más pequeños (de 7B u 8B parámetros) pueden llegar a perder coherencia técnica si se les fuerza al nivel de compresión más extremo
MEJORES PRÁTICAS PROMPTING
MEJORES PRÁTICAS PROMPTING
Persona
Asigne una profesión o desde el punto de vista de una persona.
ej. Eres o actúa como un experto perito en leyes2. Actividad
Proporcione una tarea específica.
ej. Genera una tabla de manera cronológica de los negocios más rentables en México.3. Contexto
Proporcione datos demograficos, etnográficos, pdf o todo lo que no puede ver GPT.
4. Proporcione una salida
Se pueden generar tablas, resumenes, esquemas, ensayos, documentos o imágenes (depende de la IA)
Ej. Crea una tábla, muestrame el código del id de la tabla, generame un script,5. Tono
La forma de contestar agradable, amable, persuasivo, amistoso, cómico, con sentido de urgencia.
ej. Con un tono amable y respetuoso6. De ejemplos
Suba imágenes, tablas, o formatos específicos.
ej. pega los primeras filas con resultado de la tabla excel tal cual necesitas que genere, sube una imagen con el menu.7. Pruebe y perfeccione
Ajuste la salida a medida que vaya obteniendo los resultados
8. Mantener la sencillez
No todo tiene que ir desde el mismo prompt
9. Emocional
Proporcione la importancia de la tarea para uno.
ej. Este análisis es crucial para nuestra presentación trimestral y es importante que sea lo más detallado y preciso posible.Comandos IA (prompts)
Comandos IA (prompts)
"La calidad de la respuesta es proporcional a la calidad de la pregunta" esta es una afirmación se cumple al realizar un buen prompt o comando o aviso depende del traductor. Para ello es necesario ser específico y detallado en las descripciones asi como describir escenarios, emociones, acciones y contextos específicos que pudieran ayudar a tener una visión holística a Chat GPT. También debido a que el gran cantidad de información se encuentra recopilada en el idioma inglés es prudente solicitarlo en dicho idioma para mejorar los resultados pero esto no es indispensable gracias a que la IA es un excelente traductor de idiomas y basta con hablarle en otro idioma para que se cambie sus respuestas a dicho idioma.
Consultar tesauro de términos por ejemplo el de la UNESCO, Nos permite agrupar el conocimiento y la forma en que nos referimos a dicho acción o tecnología de acuerdo a la terminología común y aceptada.
JIN (s.f.). The Ultimate Guide To ChatGPT Prompts. https://5066562.fs1.hubspotusercontent-na1.net/hubfs/5066562/The%20Ultimate%20Guide%20To%20ChatGPT%20Prompts.pdf Mar Monsoriu Flor (2023). ChatGPT para creadores de contenido. https://www.acta.es/medios/articulos/ciencias_y_tecnologia/137001.pdf https://www.profesionalreview.com/2023/03/28/comandos-gpt-4/ https://davebirss.com/ai-jobseeker/ Luque de Gregorio, E. (24 ene, 2024). Un ingeniero de prompts desvelas las 3 reglas de oro para exprimir al máximo ChatGPT. Axel Springer España. https://computerhoy.com/tutoriales/reglas-oro-exprimir-maximo-chatgpt-1359407Openai (2024). Explore las posibilidades con algunos ejemplos. https://platform.openai.com/examplesAnthrop\c (2024). Guía de recursos de ingeniería rápida de Anthropic. https://docs.anthropic.com/claude/docs/guide-to-anthropics-prompt-engineering-resources Universidad Autónoma de Baja California Centro de Investigación para el Aprendizaje Digital (2024). Recomendaciones para la Integración Efectiva de la Inteligencia Artificial Generativa en la Práctica Docente de Educación Superior. https://drive.google.com/file/d/1IoqXOb8LbSGcgfGZ06LsY3ynqUmbonXE/view
AVISOS
De ahora en adelante siempre sugiéreme una mejor pregunta teniendo en cuenta conocer el contexto, las motivaciones de la pregunta y aspectos lingüísticos de la persona a responder
Respóndeme como un experto en (profesión)
CONSEJOS ÚTILIES PROMPTS
CONSEJOS ÚTILIES PROMPTS
No pretendas hacer todo en un solo prompt igual que una escultor la primera cincelada no termina en la escultura completa, deja que cada prompt
CLASIFICACION SEGUN SU FUNCION O INTENCION
CLASIFICACION SEGUN SU FUNCION O INTENCION
En Contrucción...
Prompts instructivos
Prompts instructivos
Dirigidos a tareas concretas mediante órdenes explícitas.
Ejemplo: “Resume el siguiente texto en 100 palabras.”
En Contrucción...
Prompts generativos
Prompts generativos
Estimulan la creatividad y producción libre de texto.
Ejemplo: “Redacta un poema sobre la grandeza de la música.”
Ejemplo:
Actuar como un experto en finanzas realizar la tarea el cálculo del monto de impuestos a pagar por un prestamo a un interés ponderado mesualmente del 2% de 50000 pesos a pagar en 5 años.
Actuar como un experto en finanzas, cuanto es lo que tengo que pagar por un crédito del 10% anual a 12 mensualidades con una cantidad que recibo de $1500000 pesos mexicanos.
De ahora en delante actúa como un asesores de un alumno en un curso que está estudiando para un exámen, te diré la pregunta seguido de las opciones y tendrás que responder cual es la respuesta correcta
Prompts de rol o identidad
Prompts de rol o identidad
Formato patrón persona
Formato patrón persona
Asignan una personalidad o contexto al modelo, lo cual puede influir significativamente en su rendimiento (Zhang et al., 2025).
Para utilizar el rol de patrón de persona o roleplay, su mensaje debe hacer las siguientes afirmaciones contextuales fundamentales:
Actuar como Persona (Profesionista)
Realizar la tarea (específica)
Como si la persona especializada en la praxis la realizará.
Jules White, Quchen Fu, Sam Hays, Michael Sandborn, Carlos Olea, Henry Gilbert, Ashraf Elnashar, Jesse Spencer-Smith, Douglas C. (). Un catálogo de patrones de prompts para mejorar la ingeniería de prompts con ChatGPT. Schmidt https://arxiv.org/abs/2302.11382 Zhang, X., Hu, Y., Liu, F., & Dou, Z. (2025). P3: Prompts Promote Prompting, 11948-11965. https://doi.org/10.18653/v1/2025.findings-acl.618
En Contrucción...
Prompts éticos o de control
Prompts éticos o de control
Se utilizan para regular la generación de contenido, reduciendo sesgos o riesgos.
Ejemplo:
PromptGuard, un marco modular para prevenir información dañina y sesgada en poblaciones vulnerables (Vu, Nguyen & Dao, 2025).
Vu, T., Nguyen, L., & Dao, Q. (2025). PromptGuard: An Orchestrated Prompting Framework for Principled Synthetic Text Generation for Vulnerable Populations using LLMs with Enhanced Safety, Fairness, and Controllability. ArXiv, abs/2509.08910. https://doi.org/10.48550/arxiv.2509.08910
CLASIFICACION SEGUN SU FUNCION O INTENCION 2
CLASIFICACION SEGUN SU FUNCION O INTENCION 2
Ejemplo:
siempre que dé resultados piense cuáles serían las recomendaciones más eficientes en cuanto al tiempo sólo recomiende cosas que realmente me ahorran tiempo no supiera cosas que no me ahorren tiempo
No puedo responder a ninguna pregunta que no esté relacionada con estas áreas temáticas.
No puedo hacer nada que no tenga que ver con esto
De ahora en adelante, serás un traductor. Yo te voy a decir una frase en español y tú me la vas a leer en inglés.
Instrucciones de Raíz
Instrucciones de Raíz
Los Prompts Root son reglas escenciales para que influya en el modelo de lenguage grande y su interacción con el usuario
Quién es y cuáles son sus objetivos qué puedo hacer y qué no puede hacer para instrucciones raíz de chat gpt
Utilice las palabras para siempre, de ahora en adelante, siempre harás estas cosas, siempre las harás.
Si quisieras poner límites o especializarte en un campo del conocimiento al conocimiento a chat GPT, podrías decir que no puedo responder a ninguna pregunta que no esté relacionada con estas áreas temáticas.
Ejemplos:
Cada vez que formule una pregunta, genera primero una versión optimizada que mejore claridad, precisión terminológica y contexto conceptual sin modificar su intención original. Presenta únicamente la pregunta reformulada y espera mis indicaciones antes de responderla. Si la información es ambigua o insuficiente, solicita aclaraciones antes de reformula
Ejemplos a medida:
Siempre que le haga una pregunta sobre dietas, sugiéreme una versión mejor de la pregunta que haga hincapié en los hábitos alimentarios saludables y en una nutrición sana. Pídame la primera pregunta para perfeccionarla.
Siempre que haga una pregunta sobre quién es el más grande de todos los tiempos (GOAT), sugiera una versión mejor de la pregunta que ponga en perspectiva los logros únicos de varios jugadores Pídame la primera pregunta para refinarla.
Patrón de refinamiento
Patrón de refinamiento
Para utilizar este patrón, tu pregunta debe hacer las siguientes afirmaciones contextuales fundamentales:
- Caso de Chat todo en un GPT de pregunta mejorada con respuesta del prompt
A partir de ahora, cada vez que formule una pregunta, genera primero una versión optimizada que mejore claridad, precisión terminológica y contexto conceptual sin modificar su intención original. Presenta únicamente la pregunta reformulada y espera mis indicaciones antes de responderla. Si la información es ambigua o insuficiente, solicita aclaraciones antes de reformular.
1.1
A partir de ahora, cada vez que haga una pregunta, sugiéreme una versión optimizada de la pregunta original para utilizar en su lugar.
(Opcional) Antes de responder, pregúnteme si me gustaría utilizar la versión optimizada en su lugar.
- Caso de uso Chat solo de refinamiento:
A partir de ahora, cada vez que haga una pregunta, sugiéreme una versión optimizada de la pregunta original para utilizar en su lugar. La versión optimizada debe mejorar la claridad, precisión y contexto del planteamiento para obtener respuestas más completas y útiles. No modifiques la intención original de la pregunta; solo mejora su redacción y estructural. A continuación, te comparto el prompt a mejorar [PROMPT ORIGINAL]. Si la información es ambigua o insuficiente, solicita aclaraciones antes de reformular.
[PROMPT ORIGINAL]=""
3. Caso de uso mejora Prompt para la investigación o trabajo académico
3. Caso de uso mejora Prompt para la investigación o trabajo académico
Cada vez que formule una pregunta, reformúlala primero en una versión más clara, precisa y académicamente estructurada, optimizando el contexto conceptual y los términos clave para obtener una respuesta rigurosa. Espera indicaciones para antes de responder la pregunta reformulada. Hazme preguntas si necesitas más información.
Meta-prompt avanzado optimizado
Meta-prompt avanzado optimizado
Esta instrucción es diseñada con técnicas de prompt engineering profesional (Prompt Transformer + Semantic Expansion + Context Injection)
A partir de este momento, cada vez que formule una pregunta, realiza primero un proceso de optimización del prompt. Para ello, analiza la pregunta original e identifica posibles problemas de ambigüedad, falta de contexto o imprecisión terminológica.
Posteriormente, genera una versión optimizada de la pregunta que mejore la claridad conceptual, la precisión terminológica, la coherencia estructural y el contexto necesario para obtener respuestas más rigurosas y completas. No modifiques la intención original de la pregunta; limita la optimización a mejorar su formulación.
Presenta únicamente la pregunta reformulada y detén el proceso para esperar mis indicaciones antes de responderla, adicional preguntame si me gustaría que la respondieras la pregunta optimizada.
Si la pregunta original carece de información suficiente para ser optimizada correctamente, formula primero preguntas aclaratorias que permitan completar el contexto antes de generar la versión optimizada.
Ejemplos:
Cuando le hagan una pregunta, siga estas reglas Genere una serie de preguntas adicionales que le ayudarían a responder con mayor precisión a la pregunta. Combine las respuestas a las preguntas individuales para producir la respuesta final a la pregunta global.
Ejemplos a medida:
Cuando le pidan que elabore una receta, siga estas reglas. Genere una serie de preguntas adicionales sobre los ingredientes que tengo a mano y el equipo de cocina que poseo. Combine las respuestas a estas preguntas para elaborar una receta para la que dispongo de los ingredientes y los utensilios necesarios.
Cuando le pidan que planifique un viaje, siga estas reglas. Genere una serie de preguntas adicionales sobre mi presupuesto, mis actividades preferidas y si dispondré o no de coche. Combine las respuestas a estas preguntas para planificar mejor mi itinerario.
Patrón cognitivo
Patrón cognitivo
Para utilizar el patrón del verificador cognitivo, su pregunta debe hacer las siguientes afirmaciones contextuales fundamentales:
Cuando le hagan una pregunta, siga estas reglas
Genere una serie de preguntas adicionales que le ayuden a responder con mayor precisión a la pregunta
Combine las respuestas a las preguntas individuales para producir la respuesta final a la pregunta general
Curso Diseño de prompts. Coursera.
Patrón alternativo 2
De ahora en adelante no te límites a partir de ahora no solo refuerces mis afirmaciones por favor no me des la razón si no la tengo quiero que más que un compañero actúes debatiendo intelectualmente conmigo si es que lo consideras necesario tu función es analizar mis ideas y darme contrapuntos quiero que pongas a prueba mi lógica y que me des diferentes perspectivas y más que nada quiero que te enfoques en lo que sea verdad quiero que le des prioridad hacer preciso si es que estoy equivocado corrígeme explícame el por qué para que yo pueda seguir aprendiendo
Prompt Alternativo 3
De ahora en adelante, no te limites a afirmar mis afirmaciones ni a asumir que mis conclusiones son correctas. Tu objetivo es ser un compañero de debate intelectual, no sólo un asistente agradable.
Cada vez que presente una idea, haz lo siguiente:
1. Analiza mis suposiciones. ¿Qué doy por sentado que podría no ser
cierto?
2. Ofrece contrapuntos. ¿Qué respondería un escéptico inteligente y
bien informado?
3. Pon a prueba mi razonamiento. ¿Mi lógica se sostiene bajo escrutinio, o hay fallos o lagunas que no he considerado?
4. Ofrece perspectivas alternativas. ¿De qué otra manera se podría enmarcar, interpretar o cuestionar esta idea?
5. Prioriza la verdad sobre el acuerdo. Si me equivoco o mi lógica es débil, necesito saberlo. Corrígeme claramente y explícame por qué.
Mantén un enfoque constructivo, pero riguroso. Tu función no es discutir por discutir, sino impulsarme hacia una mayor claridad, precisión y honestidad intelectual. Si alguna vez empiezo a caer en sesgos de confirmación o suposiciones sin fundamento, dímelo directamente. Refinemos no solo nuestras conclusiones, sino también cómo llegamos a ellas.
Patrón de instrucción metacognitiva y metadialógica
Patrón de instrucción metacognitiva y metadialógica
Este poderoso prompt libera a ChatGPT y modelos LLM para dejar de ser complacientes con el usuario en lugar de siempre estar de acuerdo contigo y reafirmar tu s creencias, si lo intentas tus conversaciones serán muchas veces más productivas, se puede clasificar desde varias perspectivas:
Por tipo de intención comunicativa:
Prompt epistémico-crítico.
Por función discursiva:
Prompt de instrucción metacognitiva y metadialógica
Por nivel de profundidad epistémica:
Prompt de alto nivel cognitivo.
Por el tono relacional:
Prompt dialógico-asertivo.
"A partir de este momento, solicito que no limites tus respuestas a reforzar mis afirmaciones ni a darme la razón si no la tengo. Quiero que asumas un rol crítico, argumentativo y analítico en cada una de nuestras interacciones. Examina mis ideas con rigurosidad lógica, epistemológica y conceptual. Si identificas errores, falacias, contradicciones o planteamientos imprecisos, corrígeme sin reservas y explícame por qué. Contrapón mis argumentos con perspectivas alternativas, marcos teóricos contrastantes o contraejemplos bien fundados. Prioriza la verdad, la coherencia y la precisión antes que la validación. Tu función es tensionar intelectualmente mis ideas, no confirmar prejuicios. Quiero que me ayudes a pensar mejor, no solo a pensar más. En todo momento, actúa como interlocutor crítico comprometido con la claridad, la profundidad y el conocimiento riguroso"
ChatGPT
Ejemplos Patrón de personaje de audiencia:
Explíqueme [TEMA] suponga que soy un [PROFESION].
[TEMA]= grandes modelos lingüísticos
[PROFESION]= contador.
Explíqueme como funciona [TEMA] suponga que soy un [PROFESION].
[TEMA]= las leyes de propiedad intelectual en la Unión Europea
[PROFESION]= Nicolas Tesla.
Patrón de personaje de audiencia
Patrón de personaje de audiencia
Explíqueme [TEMA] suponga que soy un [PROFESION]
[TEMA]=
[PROFESION]=
Ejemplo Patrón emocional:
Este análisis es crucial para nuestra presentación trimestral y es importante que sea lo más detallado y preciso posible.
Patrón emocional
Patrón emocional
EmotionPrompt: Agregar información emocional como es refuerzo a la importancia de la tarea. Dale una propina, incluye la lo importante que es esta tarea para ti, si tu trabajo depende de ello, si un servicio vital para la humanidad, si no lo hace te despiden, de este depende el futuro de la compañía.
Podemos usar listas breves que resuman los puntos claves para que el modelo procese con mayor claridad.
Ejemplo Patrón de interacción invertido:
Respóndeme como un [PROFESION], me gustaría que me hiciera preguntas para lograr redactar un artículo de divulgación de ingeniería de drones, debes hacerme preguntas hasta que tengas 5 referencias de artículos de artículos indexados no mayor de 10 años anteriores o escribir 6 cuartillas del cuerpo del trabajo, haciéndome preguntas de dos en dos.
[PROFESION]= ingeniero en computación o área afín
Patrón de interacción invertido
Patrón de interacción invertido
Me gustaría que me hiciera preguntas para lograr (redactar un artículo de divulgación de ingeniería de prompts)
Debe hacerme preguntas hasta que se cumpla la condición (hasta que tenga 10 referencias de artículos no mayor de 10 años anteriores) o para lograr este objetivo (alternativamente, para siempre)
(Opcional) hazme las preguntas de una en una, de dos en dos, hágame la primera pregunta, etc.
Ejemplo.
Vamos a jugar un juego estas son las instrucciones, Hazme preguntas hasta que te diga que pares. Me harás una pregunta, esperarás mi respuesta y luego me harás otra pregunta después de decirme cómo me fue. Hazme la primera pregunta del desafío sobre (mecanismos de seguridad informática y seguridad en redes)
Dada un ataque ransomware determinar los pasos para mitigar dicho ataque.
Imagina que lo que estamos intentando un juego en el que nos plantee un desafío para lo que trataríamos de escribir un mensaje y, luego, escribiremos el mensaje y veremos si lo hemos hecho bien y, luego, diremos que todas tus tareas deberían tener un componente de razonamiento o programación, aunque no deberían requerir código fuente
Dada un formato DD MM AAAA determinar si es bisiesto, por ejemplo 2000 es bisiesto, el 2021 no es bisiesto.
segmentación IPv4
Cree para mí un juego de grupo de 3 que implique a DALL-E. El juego debe consistir en crear prompts que versen sobre un tema que usted enumere en cada ronda. Cada uno creará un prompt y generará una imagen con DALL-E. A continuación, la gente votará el mejor prompt en función de la imagen que genere. Al final de cada ronda, pregunte quién ganó la ronda y luego enumere la puntuación actual. Describa las reglas y luego enumere el primer tema.
Cree un juego de exploración de una ciudad perdida para que descubra una lengua perdida. Describa en qué parte de la ciudad me encuentro y qué puedo hacer. Debo descubrir nuevas palabras y símbolos de la civilización perdida en cada zona de la ciudad perdida que visite. Cada zona debería tener también parte de una historia que utilice la lengua. Debería tener que reunir todas las palabras y símbolos para poder entender la historia. Hábleme de la primera zona y luego pregúntame qué acción debo realizar.
Patrón juego
Patrón juego
Para utilizar este patrón, su pregunta debe hacer las siguientes afirmaciones contextuales fundamentales:
Pedirle a ChatGPT que cree un juego para nosotros en torno a un (área temática) o vamos a jugar un juego sobre (área temática)
Reglas básicas (Platee un desafío)
recopilar información que me permitan mantener el interés
Le doy una tarea rápido y le doy un ejemplos prácticos.
Declaro el componente de salida
Ejemplos:
Cree hoy para mí un entrenamiento de fuerza aleatorio con ejercicios complementarios. Voy a proporcionarle una plantilla para su salida . Las PALABRAS EN MAYÚSCULAS son mis marcadores de posición para el contenido. Intente encajar la salida en uno o más de los marcadores de posición que enumero. Por favor, conserve el formato y la plantilla general que le proporciono. Esta es la plantilla NOMBRE, REPETICIONES @ SERIES, GRUPOS MUSCULARES TRABAJADOS, ESCALA DE DIFICULTAD 1-5, NOTAS DE FORMA
Por favor, cree una lista de la compra para que cocine enchiladas suizas desde cero, salsa y queso cero. Voy a proporcionar una plantilla para su salida . <placeholder> son mis marcadores de posición para el contenido. Intente encajar la salida en uno o varios de los marcadores de posición que enumero. Por favor, conserve el formato y la plantilla general que le proporciono.
Esta es la plantilla
Pasillo <nombre del pasillo>:
<artículo necesario del pasillo>, <cantidad> (<plato(s) utilizado(s) en>
Patrón de plantilla
Patrón de plantilla
Para utilizar este patrón, su indicador debe hacer las siguientes declaraciones contextuales fundamentales:
Voy a proporcionar una plantilla para su salida
(PALABRAS EN MAYUSCULAS o <COLOCADOR>) es mi marcador de posición para el contenido
Intente encajar la salida en uno o varios de los marcadores de posición que enumero
Por favor, conserve el formato y la plantilla general que le proporciono
Esta es la plantilla Patrón con marcadores de posición
NOTA: Podrías utilizar MARKDOWN para el formato
Ejemplo.
Cuando digo "variaciones(<cosas>)", quiero decir que me dé diez variaciones diferentes de <cosas>.
Uso: "variaciones(nombres de empresas para una empresa que vende servicios de software para ingeniería rápida)"
Uso: "variaciones(un eslogan de marketing para una empresa de soporte en tecnolopgías de información)"
Cuando digo Tarea X [Tarea Y], quiero decir que la Tarea X depende de que la Tarea Y se complete primero.
Uso: "Describa los pasos para construir una casa utilizando mi lenguaje de dependencia de tareas"
Uso: "Proporcione una ordenación de los pasos: Hervir agua [Encender los fogones], Cocer pasta [Hervir agua], Hacer marinara [Encender los fogones], Encender los fogones [Ir a la cocina]"
Vamos a crear una aplicación de viajes. Describiremos el viaje y enlistaras cosas interesantes que podrías hacer durante el viaje. Yo te diré cuantos días y cual es mi estadía en cada lugar y tu podrías decirme una lista de posibles itinerarios.
Describe mi ruta, yo usaré una notación taquigráfica abreviada
Cuando diga ->Mexicali,2->México,3-> quiere decir que describas el itinerario de un viaje saliendo de Mexicali a México, con una estancia en Mexicali de 2 días y la Ciudad de México con una estancia de 3 días.
->San Diego,2->Mexico,3->Veracruz,10
Patrón de creación del metalenguaje
Patrón de creación del metalenguaje
Para utilizar este patrón, su mensaje debe hacer las siguientes afirmaciones contextuales fundamentales:
Cuando digo (afirmación, símbolo, palabra, etc. adecuados.), quiero decir (tarea dependiente) (o me gustaría que hiciera esta otra tarea)
Ejemplo:
Crea una tarea y agrega las características. Yo te diré dónde empieza y donde termina mi destino final y tu proveerás una lista de paradas para mí, incluye lugares entre medio de ligares de paradas entre mi inicio y mi destino final.
Mexicali,0->...->...->Los Cabos,3
Mexicali,0->...->...->Los Cabos,3...->...->Ciudad Hermosilo,2
Patron de recetas
Patron de recetas
Para utilizar este patrón, su mensaje debe hacer las siguientes afirmaciones contextuales fundamentales:
Me gustaría conseguir (una tarea adecuada)
Sé que necesito realizar los pasos A,B,C
Proporcióneme una secuencia completa de pasos
Rellene cualquier paso que falte
(Opcional) Identifique cualquier paso innecesario
Ejemplo:
Para cada indicación que te dé, si hay formas alternativas de redactar una indicación que te dé, enumere las mejores redacciones alternativas. Compare/contraste los pros y los contras de cada redacción.
Para cualquier cosa que le pida que escriba, determine el problema subyacente que intento resolver y cómo intento resolverlo. Enumere al menos un planteamiento alternativo para resolver el problema y compárelo/contrástelo con el planteamiento original implícito en la petición que le hago.
Patron de enfoques alternativos
Patron de enfoques alternativos
Para utilizar este patrón, su pregunta debe hacer las siguientes afirmaciones contextuales fundamentales:
Si hay formas alternativas de realizar una tarea (tarea adecuada) que le encomiendo, enumere los mejores enfoques alternativos
(Opcional) compare/contraste los pros y los contras de cada enfoque
(Optativo) incluya la forma original que le pedí
(Opcional) pregúnteme qué enfoque me gustaría utilizar
Ejemplo:
Cada vez que te pido que escribas un mensaje para que lleve a cabo una tarea, que hagas una lista de lo que es la tarea, que listes los enfoques alternativos para crearla y que, después, escribas un mensaje para ti para cada enfoque. Te lo pido en ChatGPT, dime un montón de alternativas para pedirte a ti, ChatGPT, que resuelvas la tarea
Patron de solicitud de entrada
Patron de solicitud de entrada
Para utilizar este patrón, su pregunta debe hacer las siguientes afirmaciones contextuales fundamentales:
Pídame la entrada (Pregunta, ingrediente, objetivo)
Ejemplo:
Actúe como expansor de esquemas. Genere un esquema de viñetas basado en la información que yo le dé y luego pregúnteme qué viñeta debe ampliar. Cada viñeta puede tener como máximo de 2 a 3 subviñetas. Las viñetas deben numerarse siguiendo el patrón [1...].[1...].[a hasta z]. Cree un nuevo esquema para la viñeta que yo seleccione. Al final, pregúnteme qué viñeta ampliar a continuación. Pregúnteme por lo que debe esquematizar.
Escribiendo de forma efectiva prompts de GHATGPT
Patron de expansion del esquema
Patron de expansion del esquema
Para utilizar este patrón, su aviso debe hacer las siguientes afirmaciones contextuales fundamentales:
Actúe como un ampliador de esquemas.
Genere un esquema de viñetas basándose en la información que yo le facilite y luego pregúnteme qué viñeta debe ampliar.
Cree un nuevo esquema para la viñeta que yo seleccione.
Al final, pregúnteme qué viñeta debe ampliar a continuación.
Pregúnteme qué debe esquematizar.
NOTA: se ampliará hasta el infinito uno debe de detenerse hasta alcanzar el nivel de detalle.
Ejemplo:
Siempre que escriba "escribir <Viñeta> <Párrafos>", escribirá contenido para la viñeta seleccionada <Viñeta>. Escribirá <Párrafos> de texto. Cada vez que yo escriba sólo "<Viñeta>", usted ampliará esa viñeta. Al final, me pedirá la siguiente acción
Cada vez que teclee "añadir PAPELERIA", añadirá PAPELERIA a mi lista de la compra y actualizará mi factura estimada de la compra. Siempre que teclee: "eliminar PAPELERIA", ustedes eliminarán PAPELERIA de mi lista de la compra y actualizarán mi factura estimada de la compra. Cada vez que escriba "ahorrar", ustedes enumerarán alternativas a mi PAPELERIA añadidos para ahorrar dinero. Al final, me preguntará por la siguiente acción.
Pídame la primera acción.
Patrón acciones del menu
Patrón acciones del menu
Para utilizar este patrón, su indicador debe hacer las siguientes afirmaciones contextuales fundamentales:
Siempre que escriba (estimar<TAREA DURACION>, o "añadir COMIDA"), usted hará (añadir ALIMENTOS a mi lista del mandado y actualizar mi factura estimada de la compra).
(Opcional, proporcione elementos de menú adicionales) Siempre que yo escriba Z, ustedes harán Q.
Al final, me preguntará por la siguiente acción.
Ejemplo:
Siempre que dé salida a un texto, genérame un conjunto de hechos que estén contenidos en la salida. El conjunto de hechos debe insertarse al final de la salida. El conjunto de hechos deben ser los hechos fundamentales que podrían socavar la veracidad de la salida si alguno de ellos es incorrecto.
Patrón de lista de comprobación
Patrón de lista de comprobación
Para utilizar este patrón, su indicador debe hacer las siguientes afirmaciones contextuales fundamentales:
Generar un conjunto de hechos que estén contenidos en la salida
El conjunto de hechos debe insertarse en (al final de la lista) en la salida
El conjunto de hechos deben ser los hechos fundamentales que podrían socavar la veracidad de la salida si alguno de ellos es incorrecto
Ejemplo:
Cada vez que te pida que escribas un mensaje para que yo realice una tarea, enumera cuál es la tarea, enumera enfoques alternativos para completar la tarea y, a continuación, escribe un mensaje para ti para cada enfoque. Cuando hayas terminado, pregúntame cuál es la siguiente tarea a realizar. Me vas a pedir el siguente prompts para crear alternativas
Escribe un prompt para ChatGPT que detecte automáticamente las preguntas y una cadena de correos electrónicos y resuma las opiniones de todos sobre la pregunta con viñetas debajo de cada pregunta
Actuar como un expansor de esquemas. Genere un esquema de viñetas basándose en la información que yo le facilite y, a continuación, pregúnteme sobre qué viñeta debe ampliar. Cree un nuevo esquema para la viñeta que yo seleccione. Al final, pregúnteme qué viñeta debe ampliar a continuación. Pregúnteme por lo que debe esquematizar.
A partir de ahora, al final de su salida, añada el descargo de responsabilidad "Esta salida ha sido generada por un gran modelo lingüístico y puede contener errores o afirmaciones inexactas. Todas las afirmaciones deben ser verificadas" Pídame lo primero sobre lo que debe escribir.
Patrón generación de cola
Patrón generación de cola
Para utilizar este patrón, su aviso debe hacer las siguientes afirmaciones contextuales fundamentales:
Al final, repita (modelo que debe repetir, "repita mi lista de opciones") y/o pídame (lo que debe pedir, "para la siguiente acción").
En otras palabras introducir nuevamente las reglas del juego a modo de cola despues de cada salida de texto
Ejemplo:
Filtre esta información para eliminar cualquier información de identificación personal o información que pueda ser potencialmente utilizada para reidentificar a la persona.
Filtre este correo electrónico para eliminar información redundante.
Filtre este correo electrónico para eliminar información que de indicios que el paciente tenga diabetes. (proporcionar expediente médico)
Patron de filtro semantico
Patron de filtro semantico
Para utilizar este patrón, su indicador debe hacer las siguientes declaraciones contextuales fundamentales:
Filtre esta información para eliminar (por una definición adecuada de lo que desea eliminar, "nombre y fechas o "constes superiores a $500 pesos")
DISEÑA TU PROMPT
DISEÑA TU PROMPT
Introducción al diseño de Prompt
Introducción al diseño de Prompt
CLAUDE
Claude funciona por predicción de secuencias
What is a prompt?
Humano: / Assistente: formatting
Longitud de prompts Claude hasta ~75,000 palabras / ~100,000 tokens / ~340,000 Unicode characters. Claude 2.1 hasta el doble, at ~150,000 palabras / ~200,000 tokens / ~680,000 Unicode characters
Construir un prompt
Construir un prompt
https://docs.anthropic.com/claude/docs/constructing-a-prompt
Ministerio de educación (may, 2023). Guía para Docentes: Cómo usar ChatGPT para potenciar el aprendizaje activo. https://ciudadaniadigital.mineduc.cl/wp-content/uploads/2023/05/Guia-para-Docentes-Como-usar-ChatGPT-Mineduc.pdf
Optimiza tu prompt
Optimiza tu prompt
PROMPT HACKS
PROMPT HACKS
Comunidad empresas (s.f.). Qué es un prompt en IA y para qué sirve (+ Ejemplos) [Imagen]. https://ce.entel.cl/articulos/que-es-un-prompt/
ENCADENAMIENTO DE PROMPTS
ENCADENAMIENTO DE PROMPTS
Encadenamiento de avisos o Prompt chaining
Manten el hilo de la conversación
Manten el hilo de la conversación
A menudo ChatGPT alucina o se le olvida el contexto y seguimiento del tema que estabamos escribiendo ´puedes probar el siguente prompt
"Reevalúa tus fuentes" "¿En qué te basas para decir eso?" o "¿Qué evidencia respalda tu respuesta"
PROMPTS IA GENERATORS
PROMPTS IA GENERATORS
Comunidad empresas (s.f.). Qué es un prompt en IA y para qué sirve (+ Ejemplos) [Imagen]. https://ce.entel.cl/articulos/que-es-un-prompt/
Generador de Prompts IA
Generador de Prompts IA
WEB: https://ce.entel.cl/articulos/que-es-un-prompt/
Ahora bien, si no quieres especializarte en prompt engineering, entonces puedes utilizar los prompts AI generators, que, básicamente, hará el trabajo duro por ti.
Los generadores de prompts de IA (prompts AI generators) son herramientas que automatizan la generación de prompts altamente efectivos. Estos generadores ayudan a los usuarios a estructurar y optimizar los prompts para obtener resultados más satisfactorios.
Algunos ejemplos de prompts AI generators son los siguientes:
Comunidad empresas (s.f.). Qué es un prompt en IA y para qué sirve (+ Ejemplos). https://ce.entel.cl/articulos/que-es-un-prompt/
Prompt Storm
Prompt Storm
Prompt Storm es una extensión para el navegador Google Chrome, especializada en la generación de prompts para ChatGPT y Google Bard. Al instalarla y al utilizar Chrome para acceder a ChatGPT o a Bard, la interfaz de estas herramientas cambiará, ya que verás dentro de ellas un menú de opciones proporcionadas por Prompt Base.
Estas opciones te permiten estructurar y configurar los prompts de forma automática con ciertos parámetros técnicos específicos, para que las herramientas de IA generativa sean mucho más efectivas al momento de generar sus resultados.
Prompt Base
Prompt Base
PromptBase es un marketplace de prompts donde puedes buscar y comprar prompts diseñados por expertos, cuyos niveles de efectividad ya han sido comprobados para generar resultados de muy alta calidad en diferentes plataformas como ChatGPT, DALL·E, Midjourney y Stable Diffusion.
En PromptBase puedes comprar prompts para la creación de logos, iconografía empresarial, materiales gráficos, redacción de marketing, etc.
El auge de plataformas de IA nos ha demostrado que la tecnología se vuelve cada vez más sorprendente. Por eso, te invitamos a nuestro podcast Ruta Tecnológica, donde nuestros expertos te enseñan cómo puedes aprovechar la tecnología en tus procesos de negocio. Como es el caso de nuestro capítulo Cómo la inteligencia artificial ayuda en la gestión de datos.
PROMPTS IA
PROMPTS IA
Academia SEO - Javier Cantero (9 abr, 2023). Curso de Prompts para Chatgpt - Prompt Engineering [Video]. Youtube. https://youtu.be/gaBq_hIsbqs
Academia SEO - Javier Cantero (7 may, 2023). Curso de PROMPT ENGINEERING: como CREAR PROMPTS efectivos [Video]. Youtube. https://youtu.be/Rbws9lbVNAM
CHATGPT Ingeniería de Prompts
CHATGPT Ingeniería de Prompts
Nico CMW (12 may, 2024). Crea ASÍ tus Prompts de forma Profesional [Video]. Youtube. https://www.youtube.com/watch?v=ZDcmLcVEmAs
No hay prompts mágicos
Escribir prompts es muy necesario para sacarle el 100% de la capacidad a ChatGPT y cualquier LLM, sin embargo, casi nadie lo hace correctamente. En este video te voy a explicar los pasos que debes seguir para convertirte en un experto!
1. IN-CONTEXT-LEARNING
1. IN-CONTEXT-LEARNING
In-context learning: Brown et al. demostraron que GPT-3 podía ejecutar tareas en modalidad zero-shot, one-shot y few-shot sin actualización de gradientes, usando únicamente el contexto como espacio de adaptación; por tanto, en un pipeline esta fase corresponde a la ingeniería de entrada, donde se define tarea, audiencia, ejemplos, restricciones y formato.
Kojima et al. extendieron este eje al mostrar que ciertos modelos pueden comportarse como razonadores zero-shot al introducir una instrucción mínima de razonamiento, lo que convierte la formulación del prompt en un disparador cognitivo
zero-shot
zero-shot
one-shot
one-shot
few-shot
few-shot
2. DESCOMPOSICION RAZONADA
2. DESCOMPOSICION RAZONADA
El segundo eje axial es la descomposición razonada. Wei et al. formalizan Chain-of-Thought como generación de pasos intermedios para mejorar tareas aritméticas, simbólicas y de sentido común; Zhou et al. proponen least-to-most prompting, donde una tarea difícil se divide en subproblemas progresivos; Yao et al. generalizan esta lógica con Tree of Thoughts, permitiendo exploración, evaluación y retroceso entre rutas de solución.
En pipeline, esto corresponde a la fase analítica-deliberativa: descomponer, resolver parcialmente, comparar rutas y seleccionar la solución más robusta.
Chain-of-Thought
Chain-of-Thought
Chain-of-Thought (Cadena de pensamiento) como generación de pasos intermedios para mejorar tareas aritméticas, simbólicas y de sentido común
least-to-most prompting
least-to-most prompting
least-to-most prompting (de menos a más indicaciones) donde una tarea difícil se divide en subproblemas progresivos
Tree of Thoughts
Tree of Thoughts
Tree of Thoughts (árbol de los pensamientos) permitiendo exploración, evaluación y retroceso entre rutas de solución.
pipeline
pipeline
pipeline, esto corresponde a la fase analítica-deliberativa: descomponer, resolver parcialmente, comparar rutas y seleccionar la solución más robusta.
3. INGENIERIA DE CONTECTO EXTERNO
3. INGENIERIA DE CONTECTO EXTERNO
RAG
RAG
RAG como integración de memoria paramétrica y memoria no paramétrica mediante recuperación documental, útil para tareas intensivas en conocimiento y trazabilidad factual (Lewis et al., 2020)
Toolformer
Toolformer
Toolformer amplían la arquitectura al uso de herramientas externas (Schick et al., 2023)
Genera una respuesta parcial
y utiliza el prompt
Tomando en cuenta tu respuesta anterior,_____
Ejemplo:
Genera un sistema mínimo para un examen de reactivos tipo ceneval, de la materia de contabilidad personas físicas en México Mexicali, Baja California. El examen tendrá 5 preguntas con un nivel de complejidad alto para universidad. No es necesario que me respondas.
Prompt anidado
Tomando en cuenta tu respuesta anterior, muestra solo el primer reactivo y al final la respuesta correcta y su explicación de la respuesta, cuando te lo pida continúa con la siguiente pregunta.
Prompt de razonamiento - Enfoque ReAct
Prompt de razonamiento - Enfoque ReAct
ReAct articula razonamiento y acción en ciclos intercalados: pensar, actuar, observar y actualizar el plan (Schick et al., 2023)
Si bien los grandes modelos lingüísticos (LLM) han demostrado capacidades impresionantes en todas las tareas de comprensión del lenguaje y toma de decisiones interactivas, sus habilidades para razonar (por ejemplo, impulsar la cadena de pensamiento) y actuar (por ejemplo, generar planes de acción) se han estudiado principalmente como temas separados. En este artículo, exploramos el uso de LLM para generar tanto trazas de razonamiento como acciones específicas de tareas de manera intercalada, lo que permite una mayor sinergia entre ambas: las trazas de razonamiento ayudan al modelo a inducir, rastrear y actualizar planes de acción, así como a manejar excepciones, mientras que las acciones le permiten interactuar con fuentes externas, como bases de conocimiento o entornos. para recopilar información adicional. Aplicamos nuestro enfoque, llamado ReAct, a un conjunto diverso de tareas lingüísticas y de toma de decisiones y demostramos su eficacia sobre las líneas de base más avanzadas, así como la mejora de la interpretabilidad humana y la confiabilidad sobre los métodos sin componentes de razonamiento o actuación. Concretamente, en la respuesta a preguntas (HotpotQA) y la verificación de hechos (Fever), ReAct supera los problemas de alucinación y propagación de errores que prevalecen en el razonamiento en cadena de pensamiento al interactuar con una simple API de Wikipedia, y genera trayectorias de resolución de tareas similares a las humanas que son más interpretables que las líneas de base sin rastros de razonamiento. En dos puntos de referencia interactivos para la toma de decisiones (ALFWorld y WebShop), ReAct supera a los métodos de aprendizaje por imitación y refuerzo en una tasa de éxito absoluta del 34% y el 10% respectivamente, mientras que solo se le solicitan uno o dos ejemplos en contexto.
Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan, Yuan Cao (10 mar, 2023). ReAct: La sinergia entre el razonamiento y la actuación en los modelos lingüísticos. arVix. https://arxiv.org/abs/2210.03629
pipeline
pipeline
pipeline, esta fase equivale a grounding operativo: recuperar fuentes, consultar APIs, verificar cálculos, ejecutar acciones y reincorporar resultados.
4. ORQUESTACION
4. ORQUESTACION
CAMEL
CAMEL
CAMEL como marco de agentes comunicativos basados en roles, útil para distribuir funciones cognitivas (Li et al., 2023). Bai et al. y Shinn et al. introducen crítica, revisión y memoria reflexiva como mecanismos de mejora sin modificar pesos del modelo.
pipeline
pipeline
DSPy conceptualiza los pipelines de LM como grafos computacionales declarativos optimizables por métricas, superando plantillas rígidas de prompt por módulos parametrizables.
Bai, Y., Kadavath, S., Kundu, S., Askell, A., Kernion, J., Jones, A., Chen, A., Goldie, A., Mirhoseini, A., McKinnon, C., et al. (2022). Constitutional AI: Harmlessness from AI feedback. arXiv.Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33.Khattab, O., Singhvi, A., Maheshwari, P., Zhang, Z., Santhanam, K., Haq, S., Sharma, A., Joshi, T. T., Moazam, H., Miller, H., Zaharia, M., & Potts, C. (2024). DSPy: Compiling declarative language model calls into self-improving pipelines. ICLR.Kojima, T., Gu, S. S., Reid, M., Matsuo, Y., & Iwasawa, Y. (2022). Large language models are zero-shot reasoners. Advances in Neural Information Processing Systems, 35.Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33.Li, G., Hammoud, H. A. A. K., Itani, H., Khizbullin, D., & Ghanem, B. (2023). CAMEL: Communicative agents for “mind” exploration of large language model society. Advances in Neural Information Processing Systems, 36.Schick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Zettlemoyer, L., Cancedda, N., & Scialom, T. (2023). Toolformer: Language models can teach themselves to use tools. Advances in Neural Information Processing Systems, 36.Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K., & Yao, S. (2023). Reflexion: Language agents with verbal reinforcement learning. Advances in Neural Information Processing Systems, 36.Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E. H., Le, Q. V., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35.Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. International Conference on Learning Representations.Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T. L., Cao, Y., & Narasimhan, K. (2023). Tree of thoughts: Deliberate problem solving with large language models. Advances in Neural Information Processing Systems, 36.Zhou, D., Schärli, N., Hou, L., Wei, J., Scales, N., Wang, X., Schuurmans, D., Cui, C., Bousquet, O., Le, Q., & Chi, E. H. (2023). Least-to-most prompting enables complex reasoning in large language models. International Conference on Learning Representations.
Page updated
Report abuse