Enriquecimiento de Prompts

El enriquecimiento de prompts es el proceso automatizado de añadir programáticamente contexto o información relevante al prompt inicial de un usuario antes de que se envíe a un modelo de IA, especialmente a un Modelo de Lenguaje Grande (LLM). El objetivo es transformar una consulta de usuario simple o ambigua en una instrucción detallada, específica y sensible al contexto. Este paso de preprocesamiento ayuda al modelo de IA a comprender mejor la intención del usuario, lo que conduce a respuestas significativamente más precisas, personalizadas y útiles sin alterar el modelo en sí.

Cómo funciona el enriquecimiento de prompts

El enriquecimiento de prompts actúa como una capa de middleware inteligente. Cuando un usuario envía una consulta, un sistema automatizado la intercepta. Este sistema luego recopila datos contextuales de diversas fuentes, como perfiles de usuario, historial de conversaciones, datos de sesión (como el tipo de dispositivo o la ubicación) o bases de datos externas. A continuación, inyecta dinámicamente esta información en el prompt original. El prompt "enriquecido" resultante, que ahora contiene tanto la consulta del usuario como el contexto añadido, finalmente se pasa al LLM para su procesamiento. Esto mejora la capacidad del modelo para realizar tareas complejas de Comprensión del Lenguaje Natural (NLU).

Aplicaciones en el mundo real

1. Atención al cliente personalizada: Un usuario interactúa con un chatbot de comercio electrónico y escribe: "¿Dónde está mi paquete?". El sistema de enriquecimiento de prompts puede obtener automáticamente los detalles de la cuenta del usuario y su número de pedido más reciente de una base de datos CRM. El prompt enviado al modelo se convierte en: "El cliente con ID 98765 está preguntando sobre el estado de su pedido más reciente, #ABC-12345. Consulta original del usuario: '¿Dónde está mi paquete?'" Esto permite que el agente de servicio al cliente impulsado por IA proporcione una actualización instantánea y específica en lugar de solicitar información aclaratoria.
2. Recomendación de contenido más inteligente: Un usuario de un servicio de streaming dice: "Recomiéndame una película". Esto es demasiado vago para una buena recomendación. El proceso de enriquecimiento puede aumentar esta solicitud con datos como el historial de visualización del usuario, sus preferencias de género declaradas y la hora del día. La solicitud final podría ser: "El usuario ha disfrutado recientemente de thrillers de ciencia ficción y dramas históricos. Es sábado por la noche. Recomienda una película que se ajuste a estos criterios". Esto conduce a una sugerencia más relevante del sistema de recomendación y mejora la experiencia del usuario a través de la personalización.

Enriquecimiento de Prompts vs. Conceptos Relacionados

Es importante distinguir el enriquecimiento de prompts de términos similares:

• Ingeniería de prompts: Esta es la amplia disciplina del diseño de prompts efectivos. El enriquecimiento de prompts es una técnica específica y automatizada dentro de la ingeniería de prompts que se centra en agregar contexto dinámico a la entrada de un usuario.
• Generación Aumentada por Recuperación (RAG): RAG es un tipo de enriquecimiento de prompts potente y específico. Se especializa en recuperar información factual de una base de conocimiento externa para fundamentar la salida del modelo y evitar alucinaciones. Si bien RAG es una forma de enriquecimiento, el enriquecimiento también puede utilizar otras fuentes de contexto, como los datos de la sesión del usuario, que no forman parte de una base de conocimiento estática.
• Encadenamiento de prompts: Esta técnica divide una tarea en una secuencia de múltiples prompts interconectados, donde la salida de un prompt alimenta al siguiente. El enriquecimiento, por el contrario, modifica un prompt único antes de que se procese. Un paso de enriquecimiento de prompt puede ser parte de una cadena más grande, a menudo como el paso inicial. Otras técnicas como el Prompting de Cadena de Pensamiento (CoT) se centran en mejorar el razonamiento dentro de una sola interacción.
• Ajuste de Prompts (Prompt Tuning): Este es un método de entrenamiento de modelos. Como técnica de ajuste fino (fine-tuning) eficiente en parámetros (PEFT), adapta el comportamiento de un modelo entrenando un pequeño conjunto de nuevos parámetros. El enriquecimiento de prompts es una técnica de tiempo de inferencia que manipula la consulta de entrada y no cambia los pesos del modelo.

Si bien es más común en el Procesamiento del Lenguaje Natural (PNL), la idea central es aplicable en todo el aprendizaje automático. En visión artificial, un concepto similar podría implicar agregar metadatos (por ejemplo, ubicación, hora) a una imagen para mejorar el rendimiento de un modelo como Ultralytics YOLO11 en una tarea de detección de objetos. Las plataformas MLOps como Ultralytics HUB proporcionan la infraestructura necesaria para una implementación de modelos robusta, donde se pueden implementar canalizaciones de entrada sofisticadas utilizando enriquecimiento y frameworks como LangChain o LlamaIndex.