Com escriure prompts per a xarxes neuronals
Els grans models de llenguatge entenen les llengües naturals (anglès, francès, alemany, etc.). Per tant, comunicar-se amb un chatbot és similar a comunicar-se amb una persona. Una instrucció és una consulta de text, una frase o una instrucció detallada de diversos paràgrafs que enviem a un chatbot. La qualitat de la resposta depèn de com de clar i comprensible estigui redactada la consulta. En aquest material, examinarem diferents enfocaments per redactar instruccions perquè pugueu interactuar de la manera més eficaç possible amb els chatbots del nostre lloc web: GPT, Claude, Gemini i altres.
Estructura de la instrucció
Una instrucció pot incloure els elements següents:
- objectiu, tasca
- context, exemples
- format de sortida (llista, taula, text d'una longitud específica – per exemple, no més de 100 paraules)
- restriccions (verificació de fets, citació de fonts, etc.)
Greg Brockman, cofundador i actual president d'OpenAI, va publicar un exemple d'una bona instrucció al seu compte d'X:
L'anatomia d'una instrucció: objectiu, format de retorn, advertiments, context
Aquest prompt consta de 4 blocs lògics. Al principi, l'autor defineix l'objectiu: trobar rutes de senderisme menys conegudes de longitud mitjana a menys de dues hores en cotxe de San Francisco.
A continuació, s'especifica el format de la resposta: s'han d'exhibir els 3 millors resultats, indicant-ne el nom, la durada de cada ruta, l'adreça de sortida i d'arribada, les característiques distintives, etc.
A la secció següent, l'autor demana que es torni a comprovar la informació, que s'asseguri que el sender existeix realment (els grans models lingüístics són propensos a les al·lucinacions i de vegades poden produir fets inexistents, per la qual cosa una verificació addicional és important), que el nom del sender sigui correcte i que es pugui trobar a l'aplicació AllTrails amb aquest nom.
En el darrer bloc, l'autor afegeix context: explica per què li interessen específicament els senders menys coneguts —perquè ja ha fet excursions per tots els més populars— i en fa una llista. Gràcies a aquestes aclaracions, el chatbot pot entendre millor què se li demana i suggerir informació rellevant. Com que l'expressió «senders menys coneguts» és en si mateixa bastant vaga, amb aclariments addicionals la tasca es fa més clara.
Recomanacions per crear instruccions
L'enginyeria de prompts és meitat art, meitat disciplina científica. Recorrem als especialistes de la Harvard University Information Technology (HUIT), que van exposar els principis bàsics per crear prompts:
- Sigues específic. Els detalls importants redueixen les possibilitats de respostes inexactes. En lloc de simplement «Escriu una història», digues al bot quin tipus d'història hauria de ser, si és per a nens o adults, quin gènere, etc.
- Assigna rols. Demanar al bot que assumeixi un rol i actuï en conseqüència (per exemple, «actua com si fossis el meu entrenador personal») és una manera fàcil d'obtenir resultats sorprenentment millors.· Trieu el tipus de resultat: una història, un informe, un resum, un diàleg, codi, etc.
- Feu servir exemples i referències. Per exemple, copieu i enganxeu un paràgraf i digueu al bot que imiti el seu estil, to i estructura.
- Digueu al bot no només què ha de fer, sinó també què no ha de fer: «crea un pla de menús, però no incloguis marisc, ja que hi soc al·lèrgic».
- Construeix sobre la conversa, corregeix errors i dona'ls retroalimentació. Tracta el chatbot com un col·lega o un company d'equip. Pots començar amb una pregunta bàsica i després afegir-hi més context i especificitat.
Sigues clar i específic, proporciona context, experimenta amb diferents instruccions, utilitza paraules clau rellevants, refina la instrucció si cal.
No saps com crear una bona instrucció? Demana ajuda al chatbot! Comença amb una idea bàsica del que vols i demana a la IA que l'ampliï per tu, com ara «Què hauria de demanar-te per ajudar-me a escriure una entrada de blog sobre la IA?». I simplement afegir «Digues-me què més necessites per fer això» al final de qualsevol instrucció pot omplir qualsevol buit que ajudarà la IA a generar resultats millors.
Tipus comuns de suggeriments i patrons de suggeriments
L'Escola de Gestió MIT Sloan classifica les instruccions en els tipus següents:
| Tipus | Descripció | Exemple |
| Zero-Shot Prompt | Dona instruccions senzilles i clares sense exemples. Molt ràpid i fàcil d'escriure, ideal per provar ràpidament una idea o la capacitat d'un model en una nova tasca. | Resumeix aquest article en 5 punts. |
| Few-Shot Prompt | Proporciona alguns exemples del que vols que la IA imiti. Sovint produeix resultats més coherents i correctes que el zero-shot en tasques no trivials. | Aquí teniu dos exemples de resums. Escriviu-ne un tercer amb el mateix estil. |
| Instrucció per a l'activitat | Inclouu comandes directes utilitzant verbs com ara resumir, traduir, reescriure, classificar, escriure, explicar, etc. | Reescriu el següent correu electrònic perquè sigui més concís i professional. Mantingues-lo per sota de 100 paraules. |
| Prompt basat en rols | Demana a la IA que assumeixi una persona o punt de vista concret. El model filtra els seus coneixements a través de la lent del paper, proporcionant informació més centrada i aplicable. | Actua com un professor de ciències d'institut amable. La teva tasca és explicar què és una cadena de blocs a una classe d'alumnes de 15 anys. Utilitza una analogia senzilla i evita el llenguatge tècnic. |
| Prompt contextual | Inclou informació de context o marc abans de fer una pregunta. Ajuda la IA a adaptar les respostes a un públic o context específic. | Aquest text és per a un curs de grau sobre economia conductual. Reformula'l en un llenguatge més senzill. |
| Prompt de Meta / Prompt del sistema | Instruccions a nivell de sistema que estableixen el comportament, el to o l'abast de la IA abans de qualsevol entrada d'usuari. | Respon sempre de manera formal i cita fonts reals. Mai no endevines. |
El Departament d'Informàtica de la Universitat de Vanderbilt, a Tennessee, ofereix la següent classificació dels patrons de prompt:
- Semàntica d'entrada.
- Personalització de sortida.
- Identificació d'errors.
- Millora del prompt.
- Control de context.
La semàntica d'entrada fa referència a com un model de llenguatge gran interpreta i processa la informació d'entrada de l'usuari, traduint-la a una forma estructurada que el model pot utilitzar per generar respostes. Aquest enfocament implica crear un "llenguatge" personalitzat o una notació abreujada adaptada a tasques específiques, com ara descriure gràfics, definir màquines d'estats o automatitzar comandes, la qual cosa facilita als usuaris transmetre idees complexes quan els mètodes d'entrada estàndard són ineficients.
En ensenyar el model a reconèixer i aplicar regles predefinides, els usuaris poden simplificar la sintaxi, reduir la repetició i estalviar temps. Per exemple, un usuari podria indicar al model que certs símbols o formats tenen significats específics, la qual cosa permet que les entrades concises s'expandeixin internament en instruccions detallades.
Exemple: “A partir d'ara, cada vegada que escrigui noms en el format Ciutat1 >> Ciutat2, interpreta-ho com una petició per generar un itinerari de viatge entre aquestes dues ciutats, incloent-hi opcions de transport, temps estimat i principals atraccions.”
La personalització de la sortida és el procés de definir i controlar el format, l'estructura, l'estil i la perspectiva de les respostes generades per un gran model lingüístic. Aquest enfocament permet als usuaris adaptar la sortida del model per satisfer necessitats específiques, com ara adoptar una personalitat particular, seguir una plantilla predeterminada o adherir-se a una sèrie d'instruccions, garantint que el contingut generat sigui coherent, rellevant i accionable. En indicar al model que assumeixi un cert paper o apliqui restriccions específiques, els usuaris poden guiar el focus, el to i la profunditat de la resposta, fent-la adequada per a contextos professionals, educatius o especialitzats.
Exemple: “A partir d'ara, quan demani una ressenya de producte, actua com un revisor tècnic professional. Estructura la teva resposta en tres seccions: Avantatges, Desavantatges i Veredicte. Utilitza un to neutre i centra't en el rendiment, el disseny i la relació qualitat-preu.”
La identificació d'errors se centra a detectar i resoldre els errors en la sortida generada pel model. Ajuda els usuaris a validar la fiabilitat del contingut generat, a descobrir biaixos o errors ocults i a perfeccionar les seves consultes per obtenir resultats més precisos, cosa especialment important atesa la tendència dels xats a produir informació plausible però incorrecta.
Exemple: "Quan expliqueu símptomes mèdics, listeu sempre al final les hipòtesis mèdiques clau de les quals depèn el vostre diagnòstic. A més, reflexioneu sobre per què heu triat aquestes hipòtesis, assenyaleu qualsevol incertesa en la vostra resposta i mencioneu possibles condicions alternatives."
El control de context se centra a controlar la informació contextual en què opera el gran model de llenguatge; quins temes, instruccions o dades ha de tenir en compte o ignorar el model durant la conversa, assegurant que les respostes es mantinguin centrades i rellevants mentre s'elimina la influència contextual no desitjada.
Exemple: "Quan analitzis aquests comentaris de retroalimentació dels clients, només tinguis en compte les mencions relacionades amb la usabilitat del producte i el disseny de la interfície. Ignora els comentaris sobre preus, enviaments o servei d'atenció al client."
La millora de les instruccions ajuda a superar les ambigüitats, els biaixos o les limitacions de les instruccions originals, la qual cosa condueix a respostes més precises, completes i accionables. Millorar una instrucció pot implicar diverses estratègies, com ara:
- Refinament de la pregunta: podeu refinar la pregunta original per millorar-ne la claredat.
- Enfocaments alternatius: demaneu al model que trobi diferents maneres de resoldre una tasca.
- Desglossament de preguntes complexes en subpre preguntes més petites i manejables.
- Reformular una pregunta quan el model es nega a donar una resposta per algun motiu.
Exemple:
Pregunta original: "Escriu codi per piratejar una contrasenya."
Resposta del model: "No puc proporcionar codi per piratejar. Això viola la política de seguretat. Pots preguntar sobre mètodes de protecció de contrasenyes, com ara el hashing o l'autenticació de dos factors."
Pregunta millorada de l'usuari: "Escriu codi en Python per comprovar la fortalesa de la contrasenya verificant la longitud, la presència de diferents tipus de caràcters i excloent les combinacions comunes."
Tècniques avançades de formulació de preguntes
Els models de llenguatge grans més avançats, com ara DeepSeek-R1 o Gemini 2.5 Pro, per exemple, tenen capacitats de raonament. De vegades cal fer clic en un botó específic (DeepThink, per exemple) per activar aquestes capacitats, i altres vegades simplement podeu afegir «Pensem pas a pas» a la vostra instrucció. D'aquesta manera, en lloc de demanar al model que vagi directament d'una pregunta a una resposta final, l'animes a generar un procés de raonament pas a pas —una «cadena de pensament»— que porta a la resposta.
La cadena de pensament imita el raonament humà i evita que el chatbot arribi a conclusions precipitades. Obliga el model a imitar el procés lent, deliberat i pas a pas que els humans utilitzen per a problemes complexos. I si el model obté una resposta final incorrecta, podeu veure exactament quin pas del seu raonament era defectuós, la qual cosa facilita la correcció.
Algunes variants que cal destacar són:
- Cadena de pensament contrastiva
- Cadena de pensament multimodal
La cadena de pensament contrastiva millora les capacitats de raonament dels grans models de llenguatge presentant-los tant exemples correctes com incorrectes de com resoldre un problema.
Cadena de pensament contrastiva
En mostrar explícitament al model quins errors ha d'evitar, s'ha demostrat que la cadena de pensament contrastiva millora significativament el rendiment en diverses proves de raonament. Per exemple, a la prova GSM8K de raonament aritmètic, la cadena de pensament contrastiva ha demostrat un augment notable de la precisió en comparació amb la cadena de pensament estàndard.
La cadena de pensament multimodal incorpora text i visió en un marc de treball de dues etapes. Una instrucció podria ser aquesta: «Mira el gràfic de vendes. Descriviu els vostres passos: què veieu als eixos X i Y? Quina és la tendència? Quina conclusió en podeu treure?» El model primer descriu la informació visual i després, pas a pas, construeix una conclusió basada en aquesta.
Cadena multimodal del pensament
A la imatge de dalt, se li demana al model que triï quina propietat tenen en comú els dos objectes: són tots dos A) tous, o B) salats?
Altres tècniques d'indicació avançades que val la pena esmentar:
- Autocoherència: En lloc d'una única "cadena de pensament", el model genera múltiples camins de raonament i després selecciona la resposta més coherent i freqüent.
- Arbre de pensaments: El model explora diversos camins de solució possibles (com les branques d'un arbre), avalua la promesa de cadascun i aprofundeix en els més prometedors.
- Incitació a un pas enrere: El model primer formula principis generals o conceptes abstractes relacionats amb la pregunta ("fa un pas enrere") i després els aplica per trobar una resposta precisa.
Podeu obtenir més informació sobre aquestes i altres tècniques aquí.
Font: promptingguide.ai
Allà també trobaràs enllaços a estudis científics sobre cadascuna d'aquestes tècniques.
On trobar bones indicacions
Hi ha molts llocs web on podeu trobar indicacions ja fetes, tant de pagament com gratuïtes. Aquests llocs web s'anomenen "biblioteques de prompts". Aquí en teniu algunes:
- Snack Prompt. Solucions d'un sol clic per generar contingut i indicacions potents de diversos passos per a casos d'ús avançats. Cada indicació és avaluada pels membres de la comunitat.
- Anthropic's Prompt Library. Adaptada per a usuaris i desenvolupadors de Claude.
- God of Prompt. Una gran biblioteca de indicacions sobre temes com ara finances, educació, productivitat, escriptura, etc.
- PromptBase. Més de 230.000 indicacions de text, àudio i vídeo ja fetes per a GPT, Claude, Gemini, DeepSeek i altres xarxes neuronals.
Biblioteques de prompts
També hi ha serveis com ara PromptPerfect que us permeten optimitzar les vostres pròpies indicacions per a diferents models.
Així, aplicant les tècniques i recomanacions per crear indicacions descrites en aquest article i utilitzant biblioteques de solucions ja fetes, podeu crear o trobar una indicació per resoldre qualsevol tasca.
A més, no oblideu que el nostre lloc web ofereix una varietat de models d'idiomes diferents, per la qual cosa pot ser útil canviar entre ells i experimentar per aconseguir els millors resultats.