¿Por qué existe Re-Prompting (y por qué lo usarás más de lo que piensas) La interacción LLM "clásica" es una y otra: 
 
 Usted escribe: “Escribirme un artículo sobre la sostenibilidad.”El modelo responde con un ensayo escolar genérico. Usted escribe: “Escribirme un artículo sobre la sostenibilidad.”El modelo responde con un ensayo escolar genérico. No es un problema de modelo, es un problema . spec problem (reemitiendo un prompt refinado después de ver la primera salida) es el puente práctico de: Re-prompting 
 
 Intención humana → instrucción legible por máquina → salida usable Es así como se pasa de “hay salida” a “esta salida es correcta, estructurada y enviable”. Re-Prompting, Definido Es la práctica de Luego vuelve a correr para obtener un mejor resultado. Re-prompting adjusting the prompt’s content, structure, or constraints after inspecting the model’s first response Punto clave: es La primera salida no es “la respuesta”. . feedback-driven telemetry Un pequeño ejemplo “Escribe algo sobre el cambio climático”. Prompt v1: No hay visión general, no hay ángulo, no hay audiencia. Output: Escribe un explicador de 350-450 palabras para El cambio climático incluye: Prompt v2: UK secondary school students 
 
 dos causas, 2) dos impactos, 3) tres acciones cotidianas que los estudiantes pueden tomar, y 4) terminar con una llamada de una frase a la acción. El mismo modelo. Resultado diferente. Porque el spec se hizo real. Por qué el single prompting falla (y el re prompting no) Las promesas únicas suponen que puedes predecir completamente lo que necesitas de antemano. Eso a veces es cierto... hasta que no lo es. 
 
 
 
 
 
 
 
 
 
 
 Dimension 
 Single Prompt 
 Re-Prompting 
 
 
 
 
 Interaction 
 One-way 
 Feedback loop 
 
 
 
 
 Info base 
 Only initial intent 
 Intent + output defects 
 
 
 
 
 Goal 
 “Get an answer” 
 “Get the right answer” 
 
 
 
 
 Best for 
 Simple asks 
 Fine-grained or high-stakes output Interacción Un camino El Feedback Loop Base de información Sólo la intención inicial Intenciones + defectos de salida Objetivo “Toma una respuesta” “Obtener la respuesta correcta” Mejor para Preguntas sencillas Producción de granos finos o altas apuestas El Valor Real: Lo que Re-Prompting te compra 1) Barreras inferiores a la entrada No tienes que ser un mago rápido en el primer día. . iterate 2) Calibración dinámica para preguntas complejas La voz de la marca, el marketing de productos, la escritura técnica, los resúmenes de políticas: estos son Re-prompting le permite ajustar el tono y la estructura rápidamente. moving targets 3) Producción más consistente Temperatura, muestreo y aleatoriedad del modelo pueden causar deslizamiento. (“no slang”, “usar balas”, “incluir criterios de aceptación”) reduce la varianza. constraints ¿Cuándo debes re-Prompt? una lista de desencadenantes prácticos No todas las respuestas merecen una nueva ronda, pero estas son: 1) El resultado pierde el objetivo principal Habla sobre el tema, pero ignora la razón por la que lo has preguntado. Signal: Escribe puntos de venta para un reloj de senderismo cuya característica clave es dirigido a los británicos”. Example ask: 72-hour battery Parágrafos sobre estética y material de cinta; batería apenas mencionado. Bad output: Usted no ha hecho que el “contexto de la batería + caminata” no sea negociable. Why you re-prompt: 2) El formato es incorrecto Pidió algo de usable por máquina, obtuvo prosa. Signal: Ponga estas especificaciones del teléfono en una tabla Markdown con encabezados » » Example ask: Model | RAM | Storage Una lista numerada. Bad output: el formato debe ser explícito, y a menudo se beneficia de una . Why you re-prompt: mini example 3) Existen errores de lógica o concepto Definiciones equivocadas, contradicciones, o “sonido correcto”, pero no lo es. Signal: “Explicar la cadena de pensamiento con un ejemplo de matemáticas”. Example ask: dice CoT significa “dar la respuesta directamente” y utiliza como el “ejemplo”. Bad output: 2+3=5 tu prompt no ancla la definición, y no proporcionaste un ejemplar correcto. Why you re-prompt: 4) Es demasiado corto o demasiado largo Usted pidió pasos, obtuvo una frase, o pidió un resumen, obtuvo un ensayo. Signal: “detallado” y “curto” no son instrucciones. Son vibraciones. . Why you re-prompt: structure and word limits El ciclo de cinco pasos: convierte la re-promoción en un sistema Aquí está un marco que mantiene que la iteración no se convierta en thrashing aleatorio. Paso 1: Evaluar la salida (con una lista de verificación de 3 ejes) Utilice estos tres ejes cada vez: 
 
 
 
 
 
 
 
 
 
 Axis 
 What you’re checking 
 Example failure 
 
 
 
 
 Accuracy 
 Does it solve the actual problem? 
 Deletes the wrong rows when asked to handle missing values 
 
 
 
 
 Format 
 Is it structured as requested? 
 No code comments / no table / wrong schema 
 
 
 
 
 Completeness 
 Did it cover every must-have point? 
 Handles missing values but ignores outliers Precisión ¿Resolverá el problema real? Elimina las filas equivocadas cuando se les pide que traten los valores que faltan Formato ¿Están estructurados como se solicita? No hay comentarios de código / no hay tabla / esquema equivocado Completidad ¿Cubrió todo el must-have punto? Gestionar los valores que faltan pero ignorar los extraños Pro-tip: escriba una rápida "lista de defectos" como un ingeniero de QA: . Goal Drift / Format Break / Missing Points / Wrong Concepts / Verbosity Paso 2: Trace el defecto de vuelta al prompt La mayoría de los fallos de salida provienen de causas rápidas que puede corregir. 
 
 
 
 
 
 
 
 
 
 
 Defect 
 Likely prompt cause 
 Example 
 
 
 
 
 Goal drift 
 vague priorities 
 didn’t state the   selling point primary 
 
 
 
 
 Format break 
 format not explicit 
 “organise this” ≠ “Markdown table with headers…” 
 
 
 
 
 Logic error 
 wrong / missing definition 
 didn’t anchor the concept and example 
 
 
 
 
 Too brief 
 no structure requirement 
 didn’t specify steps, length, sections Objetivo Drift Prioridades vagas No declaró el Puntos de venta Primaria Formación Break Formato no explícito “organizar esto” ≠ “Markdown table with headers...” Errores lógicos Definición / Definición falsa No ha anclado el concepto y el ejemplo demasiado breve Sin necesidad de estructura No especificó pasos, longitud, secciones Cambios de mentalidad importantes: La culpa es del SPD. don’t blame the model first Paso 3: Aplique uno de los 4 ajustes de alta leveza Estrategia A: Agregar contexto + restricciones (fija la vaguedad / desviación del objetivo) Añadir: audiencia, escenario, orden de prioridad, contenido prohibido, puntos requeridos. “Escribe un artículo eco”. “Escribe 400 palabras para los estudiantes del año 9 del Reino Unido, el contexto de reciclaje escolar, incluye 3 consejos actuables, tono amistoso, sin jargón, termina con una llamada a la acción”. Before: After: Estrategia B: Haz que el formato sea ejecutable (fixes format break) Especificar: tipo + esquema + ejemplo. After prompt snippet: Return a Markdown table exactly like this:
| Model | RAM | Storage |
|---|---|---|
| Example | 8GB | 128GB |
 Estrategia C: añadir o corregir ejemplos (corregir malentendidos) Si el modelo está confundido, . show it the pattern Example for Chain-of-Thought (correct pattern): 
 
 
 
 “Sam tiene cinco manzanas, come dos, compra tres...” Razonamiento: 5−2 = 3, 3+3 = 6 Respuesta: 6 Estrategia D: Detalle de control con estructura + límites (fija la verbosidad) Especifique secciones, cuentas de balas, límites de palabras y lo que “ha sido hecho” parece. "Explique Few-Shot prompting en Cada paso: por max » » Prompt snippet: 3 steps 1 sentence 20 words Paso 4: Validar (a continuación, decidir si se itera de nuevo) Re-executar el prompt. Re-score contra los mismos 3 ejes. Stop when: 
 
 
 
 El objetivo principal se cumple, El formato es correcto, no major logic errors. No persiga al “perfecto” Chase . usable Si todavía estás infeliz después de 5, el requisito puede estar subespecificado o puede que necesites un modelo / herramienta diferente. Rule of thumb: Paso 5: Template la victoria (para que nunca vuelva a empezar de cero) Una vez que funcione de forma fiable, congelarlo como un : prompt template 
 
 
 Piezas fijas: instrucciones, estructura, reglas de formatación Partes variables: campos rellenables como {audience}, {constraints}, {inputs} Example: Python data-cleaning prompt template Generate Python code that meets this spec:
​
1) Goal: {goal}
2) Input: {input_description}
3) Requirements:
   - Use pandas
   - Handle missing values using {method}
   - Handle outliers using {outlier_rule}
4) Output rules:
   - Include comments for each step
   - End with 1–2 lines on how to run the script
   - Wrap the code in a Markdown code block
 Así es como re-prompting compuestos: usted construye una biblioteca de prompts que se comportan como herramientas. Un paseo de iteración completa Vamos a hacer algo real: Y lo hace como un operador. 3 promo posts for a bubble tea brand Ronda 0: Prompt que falla “Escribe 3 publicaciones sociales para Sweet Sprout Bubble Tea.” Prompt: repetitivo, blando, sin hooks, sin pistas de plataforma. Output: Evaluación 
 
 
 
 Precisión: Vague Brand Fit Formato: sin hashtags, sin CTA Completencia: Técnicamente 3 puestos, pero cero diferenciación Ronda 1: Añadir características de marca + formato de plataforma Re-prompt: 
 
 
 
 
 
 Marca: opciones bajas en azúcar, 0 cal Etiquetas: taro boba leche Vibe de la tienda: Instagrammable interior Estilo: energético, emojis, final con 2-3 hashtags Diferenciación: cada mensaje se centra en (1) sabor, (2) fotos, (3) baja caloría Sin embargo, todavía falta “hacer algo ahora”. Output improves Ronda 2: Añade un trigger de acción (Localización + Promoción) Nosotros añadimos: 
 
 
 
 Ubicación: Centro de la ciudad de Manchester Promo: BOGOF hasta el 31 de Oct CTA: “venga después del trabajo / este fin de semana” Ahora la salida se vuelve desplegable. Errores comunes (y cómo no desperdiciar tu vida) Error 1: Cambiar todo de una vez No puedes aprender lo que funcionó si mutas todo el prompt cada vez. por la iteración. one major variable Error 2: “El modelo es malo” como diagnóstico predeterminado La mayor parte del tiempo, su prompt no especificó: 
 
 
 
 
 
 Prioridad Formato Restricciones Ejemplos Criterios de éxito Error 3: Infinita iteración persiguiendo la perfección Si es correcto y usable, envíalo. Error 4: No guardar el prompt final Si la tarea se repite, un modelo vale más que una gran respuesta única. Error 5: Copiar-pasar el mismo prompt en todas las plataformas Lo que funciona en Hacker News fracasará en TikTok. En la pronta. platform constraints Tipos de herramientas y Workflow 
 
 
 
 
 Mantenga una hoja de cheat “defecto → correcto” (formato faltante → añadir esquema + ejemplo; repetición → imponer ángulos distintos; concepto equivocado → añadir definición + ejemplar). Prueba en 3-5 salidas antes de generar 50 en masa. Almacenar prompts en un sistema de plantillas (Notion, Obsidian, incluso un git repo). Si está trabajando en un equipo: rastrear versiones prompt como código. Toma final Re-prompting no es un truco, es el flujo de trabajo. Si la motivación es escribir requisitos, Usando la salida del modelo como registros de errores.Cuando lo haces de forma sistemática, deja de “preguntar cosas de ChatGPT” y comienza a construir En realidad puedes navegar. re-prompting is debugging those requirements reliable text-and-code generators

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Este audio es producido en el idioma original de la historia!

Re-Prompting: El loop que convierte la salida de "Meh" LLM en resultados listos para la producción

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Crecimiento de las criptomonedas: creación de perfiles de usuarios eficaces

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps