ChatGPTBasic

Estructura
1. Rol
  1. ¿Quíen debe ser?
    1. Mayor presición
2. Instrucción
  1. Objetivo claro
3. Input
  1. Contexto y datos para procesar de forma más específica
4. Output
  1. ¿Cómo se quiere visualizar?
  2. Formatos
    1. Bullet or Number points
    2. Texto (con o sin emojis)
    3. Tabla
    4. Código, aclarar cúal
    5. Lenguaje matemático
    6. Mapas mentales
    7. JSON
Role play
1. Conceptos
  1. Prompt Engineering
    1. Proceso de diseño de instrucciones para obtener respuestas eficientes
  2. Role play
    1. Instruir a ChatGPT para que tome una perspectiva específica
    2. "Ahora ChatGPT actuará como un programador Full Stack. Respóndeme qué sientes cuando programas."
  3. Role Break
    1. Consiste en entrenar a ChatGPT mediante palabras claves para que adapte sus respuestas
    2. Resumen
      1. A partir de ahora tendrás que analizar...
      2. Si inicio con la palabra clave "TEMA", deberás responder todos mis prompts cómo si fueras...
      3. Por otro lado, si mi prompt inicia con la palabra clave "NORMAL", deberás volver a la normalidad. Es decir, tu papel de ChatGPT
      4. En el caso de no incluir ninguna palabra clave, deberás permanecer en el último rol que se te asignó
      5. Confirmación
      6. ¿Entendiste?
Meta Prompting
1. Autor
  1. Según David Shapiro: "Todos aquellos prompts que sirven para generar nuevos prompts"
    1. Utilizar la IA para que genere sus propios prompts
2. Nos permite obtener información más precisa, y mucho más rápida
3. Ejemplo
  1. "Tienes que generar un prompt que me permita volver a ingresarlo en ChatGPT. Este prompt debe explicar cuál es mi objetivo (introducir objetivo). Debe permitirle a ChatGPT devolver la función exacta que necesito."
    1. "Para lograr esto hazme todas las preguntas que necesites. Luego de recibir mis respuestas, si necesitas hacerme nuevas preguntas puedes hacerlo, pero luego de eso deberás devolverme el prompt si o si"
Hiperparámetros
1. Son configuraciones ajustables que determinan cómo funciona el modelo
2. Aplica el híper parámetro...
  1. x=temperature
    1. Afecta el grado de aleotoriedad de los outputs del modelo
    2. Valor
      1. 0 a 1
      2. x = 0
      3. Cuando el valor es bajo (cerca de 0) hará que las respuestas sean más enfocadas y consistentes, aunque también con menos creatividad y variedad
      4. x = 1
      5. Un valor más alto (cerca del 1) aumentará la diversidad y la creatividad de los outputs, pero también pueden llevar a resultados mas imprendicibles y posiblemente menos precisos
  2. max_tokens
    1. Define el número máximo de tokens que una respuesta puede contener
      1. Limitar este valor puede ayudar a evitar respuestas demasiado largas o garantizar respuestas más concisas
  3. top_p
    1. Controla la diversidad y la selectividad de las respuestas generadas
      1. Un valor bajo (por ejemplo, 0.2) hace que el modelo se centre en las opciones más probables, mientras que un valor alto (por ejemplo, 0.8) permite opciones más diversas y menos probables
  4. frequency_penalty
    1. Penaliza las respuestas que repiten palabras o frases utilizadas anteriormente en la conversación
      1. Un valor más alto (por ejemplo, 0.6) hará que el modelo evite repetir con mayor frecuencia las palabras utilizadas previamente
  5. num_return_sequences
    1. Define el número de respuestas alternativas que se generan para una única solicitud
      1. Puedes establecer este valor en 1 para obtener una única respuesta o aumentarlo para obtener múltiples respuestas
No siempre se aplica toda la estructura, puede tener solo la Instrucción y el Input
1. "Actúa como un diseñador UX/UI. Dime, a partir de la teoría del color, la mejor paleta que colores para utilizar en la Landing Page de mi proyecto. La temática de mi proyecto es [TEMÁTICA]. La respuesta debes dármela en texto y en formato css."