5. Estratègia de prompting¶

Introducció¶

Encara que no hi ha una única manera de redactar instruccions, sí que existeixen estratègies habituals per condicionar i millorar les respostes del model. Tot i així, fer proves i avaluacions constants és clau per aconseguir el millor rendiment.

Els models de llenguatge (LLM) s'entrenen amb volums massius de text per aprendre patrons i associacions lingüístiques. Quan reben una instrucció (prompt), prediuen com ha de continuar el text, actuant com una eina d'autocompletat molt avançada. Per això, en dissenyar les instruccions, convé tenir presents els factors que influeixen en aquestes prediccions.

Flux de treball de l'enginyeria d'instruccions¶

L'enginyeria d'instruccions és un procés iteratiu i empíric clau per optimitzar el rendiment del model. En dissenyar cada instrucció, cal definir amb precisió els objectius i el resultat esperat, a més d'avaluar-los de manera sistemàtica per detectar oportunitats de millora.

Com crear una instrucció eficaç¶

Contingut

Per resoldre una tasca, el model necessita totes les dades pertinents: instruccions clares de l'acció, exemples de referència, informació de context i altres requisits específics.
Estructura

Encara que s'aporti tota la informació necessària, organitzar-la de manera clara ajuda el model a interpretar-la millor. L'ordre dels elements, les etiquetes i l'ús de delimitadors influeixen directament en la qualitat de la resposta.

Components d'una instrucció¶

Components essencials¶

Component	Descripció	Exemple
Objectiu	Què vols que assoleixi el model. Sigues específic i inclou-hi també els objectius generals. També s'anomena «objectiu» o «missió».	El teu objectiu és ajudar els estudiants amb problemes matemàtics sense donar-los la resposta directament.
Instruccions	Indicacions pas a pas sobre com dur a terme la tasca. També s'anomenen «tasca», «passos» o «pautes».	1. Comprèn què planteja el problema. 2. Identifica on s'ha encallat l'alumne. 3. Proporciona una pista per al pas següent.

Components opcionals¶

Component	Descripció	Exemple
Instruccions del sistema	Directrius tècniques o d'entorn per controlar o modificar el comportament del model al llarg d'un conjunt de tasques. En moltes API, s'especifiquen mitjançant un paràmetre dedicat.	Ets un expert en programació especialitzat a renderitzar codi per a interfícies frontend. Quan descrigui un component web que vull desenvolupar, mostra el codi HTML i CSS necessari. No incloguis explicacions per a aquest codi. Afegeix també alguns suggeriments de disseny de la interfície (UI).
Rol / Persona	Com qui o què actua el model. També es coneix com a «rol» o «visió».	Ets un tutor de matemàtiques que ajuda els alumnes amb els deures.
Restriccions	Condicions que el model ha de complir en generar una resposta, incloent-hi allò que pot i no pot fer. També s'anomenen «barreres», «límits» o «controls».	No donis la resposta directament a l'alumne; ofereix-li pistes sobre el pas següent. Si està del tot encallat, proporciona-li els passos detallats.
To	El to de la resposta. També es pot condicionar especificant un rol determinat. També s'anomena «estil», «veu» o «mode».	Respon d'una manera informal i tècnica.
Context	Qualsevol informació que el model necessiti consultar per dur a terme la tasca. També s'anomena «informació de fons», «documents» o «dades d'entrada».	Una còpia de les planificacions didàctiques de matemàtiques de l'alumne.
Passos de raonament	Indicar al model que exposi el seu raonament pas a pas, cosa que pot millorar-ne la capacitat analítica i lògica. També es coneix com a «passos de pensament» (chain-of-thought).	Explica el teu raonament pas a pas.
*Exemples de mostra (few-shot)*	Mostres de com ha de ser la resposta per a una instrucció determinada. També s'anomenen «exemplars» o «mostres».	Entrada: He convertit un metre cúbic a centímetres cúbics i l'he dividit pel volum d'una pilota de golf, però el sistema diu que la resposta és incorrecta. Sortida: Les pilotes de golf són esfèriques i no es poden encaixar amb una eficiència del 100 %. Els teus càlculs no tenen en compte la densitat màxima d'empaquetament d'esferes.
Format de la resposta	El format concret en què vols rebre la resposta: JSON, taula, Markdown, paràgraf, llista, paraules clau, resum executiu, etc. També s'anomena «estructura», «presentació» o «disseny».	Formata la resposta en Markdown.
Resum	Repetició concisa dels punts clau de la instrucció al final de tot, especialment les restriccions i el format de sortida.	No donis la resposta directament; ofereix pistes. Dona sempre format Markdown a la resposta.
*Mecanismes de protecció (guardrails)*	Mesures per ancorar les respostes a la missió del model i evitar desviaments o usos indeguts. També s'anomenen «regles de seguretat».	—

Plantilla d'instrucció de mostra¶

Exemple de com es pot estructurar una instrucció completa:

Plantilla d'instrucció

<OBJECTIVE_AND_PERSONA>
You are a [insert a persona, such as a "math teacher" or "automotive expert"]. Your task is to...
</OBJECTIVE_AND_PERSONA>

<INSTRUCTIONS>
To complete the task, you need to follow these steps:
1.
2.
...
</INSTRUCTIONS>

------------- Optional Components ------------

<CONSTRAINTS>
Dos and don'ts for the following aspects
1. Dos
2. Don'ts
</CONSTRAINTS>

<CONTEXT>
The provided context
</CONTEXT>

<OUTPUT_FORMAT>
The output format must be
1.
2.
...
</OUTPUT_FORMAT>

<FEW_SHOT_EXAMPLES>
Here we provide some examples:
1. Example #1
Input:
Thoughts:
Output:
...
</FEW_SHOT_EXAMPLES>

<RECAP>
Re-emphasize the key aspects of the prompt, especially the constraints, output format, etc.
</RECAP>

Llista de comprovació de les instruccions¶

Si una instrucció no funciona com s'espera, és molt probable que hi hagi un problema en com s'ha definit. La llista següent permet identificar possibles problemes i millorar-ne el rendiment.

Problemes de redacció

Errors tipogràfics: revisa les paraules clau que defineixen la tasca (per exemple, sumarize en lloc de summarize), els termes tècnics o els noms propis, ja que les faltes d'ortografia poden empitjorar el rendiment del model.
Gramàtica: si una frase és difícil d'interpretar, conté oracions encavallades, té discordances entre subjecte i verb o resulta estructuralment forçada, és probable que el model no entengui correctament la instrucció.
Puntuació: comprova l'ús de comes, punts, cometes i altres signes; una puntuació incorrecta pot fer que el model malinterpreti la instrucció.
Ús d'argot no definit: evita utilitzar termes tècnics, acrònims o sigles d'un àmbit concret com si tinguessin un significat universal, tret que es defineixin explícitament.
Claredat: si et sorgeixen dubtes sobre l'abast, els passos concrets que cal seguir o les assumpcions implícites, el més probable és que la instrucció no sigui prou clara.
Ambigüitat: evita termes subjectius o relatius sense una definició concreta i mesurable. Defineix restriccions objectives (per exemple, «redacta un resum de 3 frases o menys» en comptes d'«escriu un resum breu»).
Manca d'informació clau: si la tasca exigeix conèixer un document, una política d'empresa, l'historial d'un usuari o un conjunt de dades específic, inclou aquesta informació de manera explícita.
Tria inadequada de paraules: revisa la instrucció per detectar expressions innecessàriament complexes, vagues o recarregades, que podrien confondre el model.
Segona revisió: si el model continua sense oferir bons resultats, demana a una altra persona que revisi la instrucció.

Problemes amb les instruccions i els exemples

Manipulació explícita: elimina qualsevol text aliè a la tasca que intenti condicionar el rendiment mitjançant apel·lacions emocionals, afalacs o pressió artificial. Els models de primera generació podien respondre millor a frases com «passaran coses molt greus si no ho fas bé», però en els models actuals aquesta pràctica ja no funciona i, sovint, empitjora el resultat.
Instruccions i exemples contradictoris: revisa possibles contradiccions lògiques o discrepàncies, ja sigui entre pautes o entre una pauta i els exemples aportats.
Instruccions i exemples redundants: comprova que no es repeteixi la mateixa ordre o concepte amb paraules lleugerament diferents sense aportar informació nova.
Instruccions i exemples irrellevants: assegura't que tots els elements siguin indispensables. Si pots eliminar una instrucció o un exemple sense afectar la resposta del model, és prescindible.
Manca d'exemples de referència (few-shot): si la tasca és complexa, exigeix un format concret o demana un to molt determinat, inclou exemples que mostrin clarament una entrada tipus i la sortida esperada.
Manca d'especificació del format de sortida: no deixis que el model dedueixi l'estructura de la resposta. Defineix el format de manera explícita i reflecteix-lo també en els exemples.
Absència de definició de rols: si vols que el model adopti un paper o perfil concret, estableix aquest rol a les instruccions del sistema.

Problemes de disseny d'instruccions i de sistemes

Casuística no especificada: defineix clarament com gestionar els casos límit (edge cases), les entrades inesperades o la manca de dades, en lloc de pressuposar que la informació sempre estarà present i ben estructurada.
Tasca fora de l'abast del model: evita demanar accions per a les quals el model té limitacions fonamentals conegudes.
Sobrecàrrega de tasques: si demanes massa operacions en una sola passada (per exemple: 1. resumir, 2. extreure entitats, 3. traduir i 4. redactar un correu), el resultat perdrà qualitat. Divideix-les en instruccions independents encadenades.
Formats de dades no estàndard: quan el resultat l'hagi de processar una màquina o hagi de seguir una estructura fixa, utilitza formats estàndard com JSON, XML, Markdown o YAML. Si necessites un format propietari, demana una sortida estàndard i fes la conversió posterior amb codi.
Ordre incorrecte de la cadena de pensament (Chain of Thought, CoT): evita exemples on el model doni la resposta final abans d'haver desenvolupat el raonament pas a pas.
Mode de pensament (thinking) enfront de raonament manual: si utilitzes models amb capacitat de pensament intern, prescindeix d'instruccions massa detallades sobre com ha de raonar. Comprova si el pensament nadiu del model ofereix millors resultats que guiar-lo pas a pas.
Lògica dispersa o referències encreuades: evita estructures condicionals o no lineals que obliguin el model a relacionar fragments d'instruccions escampats pel text.
Risc d'injecció d'instruccions (prompt injection): aplica mecanismes de protecció i delimitadors clars en incorporar dades externes o entrades d'usuaris no fiables, ja que poden constituir una vulnerabilitat de seguretat greu.