prompt-engineering

Effective prompt engineering is fundamentally about closing two gaps between human intent and model behavior. Understanding which gap you're dealing with determines whether prompt refinement will actually solve your problem.

This gulf separates what you mean from what you actually wrote in the prompt. Your intent — the task you want the LLM to perform — is often only loosely captured by the words you write. Specifying tasks precisely in natural language is surprisingly hard.

Even prompts that seem clear often leave crucial details unstated. For example:

Utilice esta habilidad al diseñar, revisar o mejorar indicaciones para procesos de LLM, incluidas indicaciones de tareas, indicaciones del sistema y indicaciones de LLM como juez. Los desencadenantes incluyen: solicitudes para escribir o refinar un mensaje, diagnosticar por qué un LLM produce resultados inconsistentes o incorrectos, cerrar la brecha entre la intención y el comportamiento del modelo, reducir la ambigüedad en las instrucciones, agregar ejemplos breves, estructurar mensajes complejos o mejorar el formato de salida. Utilícelo también cuando el usuario necesite ayuda para distinguir errores de especificación (instrucciones poco claras) de errores de generalización (limitaciones del modelo), o cuando se iteren indicaciones basadas en modos de error observados. NO lo utilice para tareas generales de codificación, creación de documentos o redacción que no sea de LLM. Fuente: maragudk/evals-skills.