Prompting tiene una reputación de ser “baseado en vibraciones”.Usted escribe algo, el modelo responde, usted ajusta una frase, se obtiene mejor, y sigues pulsando hasta que funcione – si funciona. ligeramente Es una pesadilla para cualquier cosa seria: texto de cumplimiento, tuberías de datos, generación de código, o "por favor, no me avergüence delante del equipo" salidas. Aquí está la actualización: . Prompt Reverse Engineering Es exactamente lo que suena: , a continuación, aplique correcciones dirigidas, como el desmantelamiento, no la adivinación. use the model’s wrong answer to backtrack into what your prompt failed to define Piense en la mala salida como la manera de decir de su modelo: 
 
 “No me dijiste lo que importaba”. “No me dijiste lo que importaba”. Transforma esto en un flujo de trabajo repetitivo. Por qué la ingeniería inversa bate al aleatorio prompt tweaking Incluso cuando escribe un prompt de “buen aspecto” (pregunta clara, tono educado, restricciones razonables), los modelos todavía faltan: 
 
 
 
 
 
 La ventana del tiempo que te importa, La perfección que esperas, el formato que necesita el código descendente, el papel en el que desea que el modelo permanezca, La definición de “correcto”. La ingeniería inversa le da un método para localizar la especificación que falta - Sin inflar su prompt en una novela. fast Los cuatro modos de fracaso (y lo que realmente te dicen) La mayoría de los fallos rápidos caen en uno de estos buckets. Si puedes nombrar el bucket, generalmente puedes corregir el prompt en un paso. 1) Los fracasos reales La respuesta afirma con confianza los hechos equivocados, mezcla años o inventa números. Symptom: Tareas densas en conocimiento: informes de mercado, escritura académica, resúmenes de políticas. Typical trigger: What your prompt likely missed: 
 
 
 
 el rango de tiempo explícito (“año calendario 2023” vs. “los últimos 12 meses”), requerimientos de fuente (citados, conjuntos de datos nombrados), comportamiento fallback cuando el modelo no lo sabe. Usted pregunta: El modelo responde usando los números de 2022 y nunca dice dónde los consiguió. Example (UK-flavoured): “Análisis de las 3 principales marcas de vehículos eléctricos por ventas globales en 2023”. Prompt patch pattern: 
 
 
 
 Añadir un “frente de hechos”: año, geografía, unidad. Requiere citas o un "no estoy seguro" transparente. Pídele que indique el recorte de datos si los números exactos no están disponibles. 2) Lógica quebrada / pasos faltantes El resultado parece plausible, pero salta pasos, salta conclusiones, o entrega un “outline” pretendiendo ser un proceso. Symptom: Procedimientos, debugging, razonamiento en múltiples pasos, planes de arquitectura. Typical trigger: What your prompt likely missed: 
 
 
 
 “Cubre todos los pasos básicos” “Explicar la dependencia/orden” “Use un marco fijo (checklist / pipeline / receta)” Usted pregunta: Sólo enumera “manejar los valores que faltan” y “eliminar los extractos” y lo llama un día. Example: “Explica un flujo de trabajo completo de limpieza de datos de Python”. Prompt patch pattern: 
 
 
 
 Forzar una secuencia (A → B → C → D). Requiere un porqué para el pedido. Requiere una prueba de decisión (“¿Cómo sé que este paso es necesario?”). 3) Formación en Drift Solicita una tabla de marcado / JSON / YAML / bloque de código ... y devuelve un párrafo amigable como si estuviera escribiendo un post de blog. Symptom: Todo lo que significaba para las máquinas: salidas estructuradas, archivos de configuración, cargas de pago, tablas. Typical trigger: What your prompt likely missed: 
 
 
 
 rigurosidad (“solo la salida es JSON válida”), restricciones del esquema (chaves, tipos, campos requeridos), un breve ejemplo (un par de disparos) el modelo puede imitar. Usted pregunta: Responde en prosa y mezcla vendedor + fecha de lanzamiento en una frase. Example: “Dame una tabla de Markdown de tres LLM populares.” Prompt patch pattern: 
 
 
 
 Añade un esquema, más “no hay claves adicionales”. Añadir “no prosa fuera del bloque”. Incluye un pequeño ejemplo de línea. Role / Tone Drift Solicita una explicación de un pediatra y obtiene un abstracto de la revista médica. Symptom: Roleplay, soporte al cliente, coaching, compromisos de las partes interesadas. Typical trigger: What your prompt likely missed: 
 
 
 
 cómo habla el papel (nivel de lectura, calidez, jargón tabú), el objetivo principal del rol (confiar, persuadir, desescalar), Contenido prohibido (“evitar jargón médico; definir términos si es inevitable”). Prompt patch pattern: 
 
 
 
 Especifique el público (“un padre preocupado”, “un ingeniero junior”, “un CTO”). Especifique las reglas del tono (“friendly, non-judgemental, UK English”). Especifique el vocabulario do/don’t El flujo de trabajo de ingeniería inversa de 5 pasos Este es el ciclo de "parar de adivinar". manteniéndolo ligero. Haga un cambio a la vez. Paso 1: Poner la desviación (marcar la falta exacta) Escribe la salida esperada como una lista de verificación. Luego destaca dónde la salida divergía. Ejemplo de Checklist: 
 
 
 
 
 año = 2023 / Participación en el mercado Las fuentes Compara las 3 mejores marcas Si no puedes describir la falta con precisión, no puedes corregirla con precisión. Paso 2: Inferir la especificación que falta (el defecto prompt) Para cada desviación, preguntar: 
 
 
 ¿Qué instrucciones habrían evitado esto? ¿Qué ambigüedad “resolvió” el modelo en la dirección equivocada? Los defectos típicos: 
 
 
 
 
 límite perdido (tiempo, región, unidad) La falta de integridad, Falta de esquema de salida, Limitaciones de tono y rol. Paso 3: Pruebe la hipótesis con un mínimo de instrucciones de edición No reescribas tu prompt completo.Patch un defecto y vuelva a correr. Si el resultado mejora de la manera esperada, su hipótesis era correcta. Si no, se diagnosticó mal, vuelva al paso 2. Paso 4: Aplica un patrón de optimización dirigido Una vez confirmado, aplicar la fijación más pequeña duradera: 
 
 
 
 
 Cláusula límite: “Use datos de 2023 (jan-dec); si no está seguro, diga eso”. Cláusula de esquema: “Retorna JSON válido que coincida con este esquema...” Cláusula de cobertura: “Incluye estos 6 pasos...” La cláusula del tono: “Explica como si fuera nuevo; evita el jargón”. Paso 5: Graba el cambio (construye su prompt changelog) Esta es la parte que la mayoría de las personas saltan - y la parte que se convierte en una práctica de ingeniería. Mantenga un pequeño registro: 
 
 
 
 
 
 Inicio Rápido El modelo de producción que fracasó Hipótesis defectuosa Patch aplicado Resultado Con el tiempo, construirás una biblioteca personal de “error común → parche estándar”. Un ejemplo de trabajo completo: fijar un prompt de "flujo de trabajo de limpieza de datos" Vamos a hacer la cosa bien. Inicio Rápido 
 
 “Utilizando Python, escriba el proceso completo de limpieza de datos con pasos y código.” “Utilizando Python, escriba el proceso completo de limpieza de datos con pasos y código.” La (mala) producción Devuelve sólo dos elementos: 
 
 
 Llenar los valores perdidos Eliminar los outliers Y descarga código sin contexto, sin orden y sin controles de decisión. Diagnóstico de ingeniería inversa Deviation points 
 
 
 
 Falta de pasos básicos (duplicados, tipo de fundición, estandarización) No hay justificación para la orden El código carece de comentarios y notas de aplicabilidad Prompt defects 
 
 
 
 No hay “lista de pasos de núcleo” → el modelo elige un subconjunto parcial No hay restricción de orden → los resultados del modelo en orden arbitrario No hay “explicar cuándo usar” → el código se convierte en un byte de copia/pasta El patch prompt (mínimo pero específico) 
 
 
 Usando pandas, describa un flujo de trabajo completo de limpieza de datos en este orden: 
 
 duplicates → 2) data types → 3) missing values → 4) outliers.   For each step include: purpose, when it applies, and commented code.   Also state how to detect whether the step is needed.” Usando pandas, describa un flujo de trabajo completo de limpieza de datos en este orden: 
 
 duplicados → 2) tipos de datos → 3) valores faltantes → 4) outliers. Para cada paso incluye: propósito, cuando se aplica, y código comentado. Resultado (lo que parece bueno) Abajo está a ejemplo que puede reutilizar. Nota que no usamos el código duro ciegamente; nos ramificamos por dtype. slightly tweaked fillna(0) import pandas as pd
​
def clean_frame(df: pd.DataFrame) -> pd.DataFrame:
    # 1) Duplicates: reduce noise before anything else
    dup_count = df.duplicated().sum()
    if dup_count:
        df = df.drop_duplicates().copy()
​
    # 2) Types: make sure comparisons and maths behave
    # Example: parse dates if you expect time-series logic later
    if "created_at" in df.columns:
        df["created_at"] = pd.to_datetime(df["created_at"], errors="coerce")
​
    # 3) Missing values: strategy depends on data type and meaning
    for col in df.columns:
        if df[col].isna().any():
            if pd.api.types.is_numeric_dtype(df[col]):
                # Use median for robustness (less sensitive than mean)
                df[col] = df[col].fillna(df[col].median())
            else:
                # For categorical/text, choose a clear placeholder
                df[col] = df[col].fillna("Unknown")
​
    # 4) Outliers: apply only to numeric columns where it makes sense
    num_cols = df.select_dtypes(include="number").columns
    for col in num_cols:
        q1 = df[col].quantile(0.25)
        q3 = df[col].quantile(0.75)
        iqr = q3 - q1
        if iqr == 0:
            continue  # no spread, no meaningful outliers
        lower = q1 - 1.5 * iqr
        upper = q3 + 1.5 * iqr
        df = df[(df[col] >= lower) & (df[col] <= upper)]
​
    return df
 Esto no es “limpieza de datos perfecta” (que depende del dominio), pero es un gasoducto coherente y defensible con controles de decisión - exactamente lo que su solicitud original no pidió. es La trampa oculta: los límites de la capacidad del modelo A veces el modelo está equivocado porque no tiene los datos, especialmente para los números “últimos”. Si ves el mismo fracaso de hecho después de apertar los límites y pedir fuentes, detén el looping. Añade un sane fallback: 
 
 
 
 “Si no sabes, digas que no sabes”. “Escribe el último año en el que estés seguro”. “Sugiero qué fuente debo consultar”. Esto convierte una alucinación en una respuesta útil. Errores comunes (y cómo evitarlos) Error 1: “Please be correct” como corrección No es una restricción, es un deseo. En su lugar: definir la corrección a través de límites + verificación + retroalimentación. Error 2: Exceso en todo Si correges un defecto añadiendo diez reglas no relacionadas, obtendrás un hinchazón rápido y un cumplimiento peor. Patch el defecto, no su ansiedad. Error 3: No validar su hipótesis Usted no puede afirmar que una corrección funcionó a menos que lo reexecute con el parche mínimo y vea la mejora esperada. Tratarlo como una prueba de unidad. Hábitos prácticos que hacen que este stick 
 
 
 
 
 
 Mantener una taxonomía de fallos (fechos / lógica / formato / papel). Utilice un patch-per-run durante el desgaste. Construye un prompt changelog (en serio, este es el código de engaño). Cuando necesites estructura, utilice esquemas + ejemplos pequeños. Cuando necesitas fiabilidad, exige divulgación de la incertidumbre. Las respuestas equivocadas no son sólo molestas: son Si aprendes a leerlos, dejas de “promptar” y empiezas . Información engineering

Read My Stories

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

Ingeniería inversa prompt: corregir sus prompts estudiando las respuestas equivocadas

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

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Una breve introducción a la teoría del cerebro de Boltzmann

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

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

Una breve introducción a la teoría del cerebro de Boltzmann

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps