Aplicar técnicas de prompt engineering

Introducción a Amazon Bedrock

Nikhil Rangarajan

Data Scientist

Few-shot learning

¿Qué es el few-shot learning?
- Técnica para guiar al modelo con pocos ejemplos en el prompt
- Ayuda a inferir patrones y mejorar la calidad de la respuesta
Beneficios clave:
- Reduce la ambigüedad del prompt
- Produce salidas más consistentes y precisas

Diagrama conceptual que representa aprender con ejemplos.

Few-shot learning con modelos

prompt = """Here are examples of AWS service summaries:

Service: Amazon S3
Summary: Object storage service for storing and retrieving any amount of data.

Service: Amazon EC2
Summary: Virtual servers in the cloud for running applications.

Now, write a similar summary for:
Service: AWS Lambda\n\nSummary:"""

¿Qué es el formato de salida estructurado?

Ordena respuestas del modelo en un formato claro y predecible
Ideal para automatización y extracción de datos

Controlar el formato de la respuesta

Pide estructuras de salida específicas
Usa marcadores claros para el parsing
Define restricciones de formato

prompt = """Analyze AWS Lambda and provide output in this format:
DESCRIPTION:[2-3 sentence description]
KEY FEATURES:
- [feature 1]
- [feature 2]
USE CASES:
1. [use case 1]
2. [use case 2]"""

Crear prompts efectivos

Combina ejemplos few-shot con prompts de sistema
Usa formato estructurado con ejemplos
Superpone técnicas para mejores resultados

prompt = """You are an AWS technical writer. 
Here's an example of how to document APIs:
API: GetItem
Format: - Purpose: [one line], 
- Parameters: [list], 
- Returns: [description]
Now document the following API:
API: PutItem"""

¡Vamos a practicar!

Introducción a Amazon Bedrock