Prompting con datos externos
Aprenda técnicas para incorporar directamente en sus prompts datos proporcionados por el usuario o recuperados dinámicamente.
Prompting con datos externos es una lección gratuita de AI Prompt Engineering en CoddyKit. Esta es la lección 1 de 3. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de AI Prompt Engineering, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de AI Prompt Engineering incluye 3 lecciones en total.
Introducción: datos externos
¡Bienvenido! En esta lección aprenderá a hacer que sus prompts para LLM sean más inteligentes al incluir datos externos. Esto significa proporcionar información que no forma parte del entrenamiento del LLM, pero que es relevante para su tarea específica.
Considérelo como dar al LLM «una mirada nueva» o «pistas contextuales» para una situación concreta.
Por qué son importantes los datos externos
Incorporar datos externos ofrece varias ventajas clave:
- Precisión: Proporciona datos actualizados o específicos que el LLM podría desconocer.
- Personalización: Adapta las respuestas a usuarios o situaciones concretos.
- Relevancia: Garantiza que el LLM se centre exactamente en la información que le interesa.
- Menos alucinaciones: Basa el LLM en datos reales, por lo que es menos probable que invente información.
Fuentes de datos habituales
Los datos externos pueden proceder de muchos lugares. Estos son algunos ejemplos habituales:
- Entrada del usuario: Texto escrito por un usuario, preferencias o datos del perfil.
- Bases de datos/API: Catálogos de productos, registros de clientes, datos meteorológicos y fuentes de noticias.
- Archivos: Documentos, hojas de cálculo, registros u otra información almacenada.
- Sensores: Datos en tiempo real procedentes de dispositivos (por ejemplo, temperatura o ubicación).
Inyección básica de datos
La forma más sencilla de incluir datos externos consiste en insertarlos directamente en la cadena del prompt. Esto suele hacerse mediante el formato de cadenas o la concatenación.
Etiquete siempre claramente los datos que está inyectando para ayudar al LLM a comprender su función.
Intente ejecutar este ejemplo:
user_name = "Alice"
product_name = "Smartwatch"
prompt = f"User: {user_name}\n" \
f"Product: {product_name}\n" \
f"Please write a short, friendly product review for the {product_name}."
print(prompt)Estructuración de datos externos
Para datos más complejos, es fundamental proporcionarlos en un formato estructurado. Esto ayuda al LLM a analizar y comprender la información de forma más fiable.
Entre las formas habituales de estructurar los datos se incluyen:
- Delimitadores: Uso de caracteres especiales (por ejemplo,
---,###) para separar secciones. - Pares clave-valor: Nombres explícitos para los campos de datos (por ejemplo,
"Name": "Alice"). - JSON/XML: Uso de formatos estándar de intercambio de datos para objetos complejos.
La clave está en la coherencia y la claridad.
Personalización con datos
Veamos cómo personalizar un mensaje mediante datos estructurados del usuario. Utilizaremos un formato sencillo de pares clave-valor dentro del prompt.
Observe cómo se proporcionan al LLM datos explícitos del «Perfil del usuario» con los que puede trabajar.
Intente ejecutar este ejemplo:
user_profile = {
"name": "Bob",
"membership_level": "Gold",
"last_purchase_date": "2023-10-26"
}
prompt = f"User Profile:\n" \
f"Name: {user_profile['name']}\n" \
f"Membership: {user_profile['membership_level']}\n" \
f"Last Purchase: {user_profile['last_purchase_date']}\n\n" \
f"Write a personalized welcome back message for Bob, " \
f"mentioning his Gold status and recent activity."
print(prompt)Datos dinámicos y contexto
Los datos externos también pueden proporcionar un contexto dinámico y «en tiempo real». Imagine que obtiene los precios actuales de las acciones o datos meteorológicos y los incorpora directamente a su prompt.
Esto hace que las respuestas del LLM sean mucho más relevantes y oportunas.
Intente ejecutar este ejemplo:
current_stock_price = "$150.25"
company_name = "TechCo"
market_status = "Up 1.5% today"
prompt = f"Current Market Data:\n" \
f"Company: {company_name}\n" \
f"Price: {current_stock_price}\n" \
f"Status: {market_status}\n\n" \
f"Summarize TechCo's current market performance for an investor."
print(prompt)Validación y seguridad de los datos
Al incorporar datos externos, especialmente procedentes de la entrada del usuario, es fundamental tener en cuenta la validación y la seguridad de los datos.
- Desinfecte la entrada: Elimine o escape los caracteres potencialmente dañinos para evitar ataques de inyección de prompts.
- Valide los tipos de datos: Asegúrese de que los números sean números, las fechas sean fechas, etc.
- Limite el tamaño: Evite que las entradas demasiado largas consuman demasiados tokens o provoquen errores.
- Privacidad: Preste atención a la información confidencial y evite enviarla al LLM si no es necesario.
Comprobación rápida: datos externos
Está creando un prompt para generar una descripción de producto. Tiene un diccionario con los detalles del producto: {'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}.
¿Qué método incorpora mejor estos datos en un prompt para que el LLM los comprenda con claridad?
Repaso y próximos pasos
¡Buen trabajo! Ha aprendido a integrar datos externos en sus prompts para mejorar las respuestas del LLM.
- Los datos externos aportan precisión, personalización y relevancia.
- Pueden proceder de la entrada del usuario, bases de datos, API y muchas otras fuentes.
- Una estructuración clara (como los pares clave-valor o JSON) es fundamental para los datos complejos.
- Considere siempre la validación y la seguridad de los datos al utilizar fuentes externas.
A continuación, profundizaremos en Retrieval Augmented Generation (RAG), que se basa en estos conceptos para obtener y utilizar una cantidad aún mayor de conocimientos externos.
Preguntas frecuentes
¿La lección «Prompting con datos externos» es gratis?
Sí — el texto completo de «Prompting con datos externos» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de AI Prompt Engineering, actualiza a CoddyKit PRO. El curso de AI Prompt Engineering incluye 3 lecciones en total.
¿Qué aprenderé en «Prompting con datos externos»?
Aprenda técnicas para incorporar directamente en sus prompts datos proporcionados por el usuario o recuperados dinámicamente. Practicas AI Prompt Engineering con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar AI Prompt Engineering?
No se requiere experiencia previa. AI Prompt Engineering en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 3.
¿Cuánto tiempo toma la lección «Prompting con datos externos»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de AI Prompt Engineering?
Sí. Cada lección de AI Prompt Engineering incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Prompting con datos externos
- Generación aumentada mediante recuperación (RAG)
- Bases de datos vectoriales para prompting