Crear mejores prompts para o1

Crear mejores prompts para o1

Vamos a ver cómo hacer prompt engineering con o1 mediante un ejemplo.

Objetivolink image 1

Quiero una lista de las mejores rutas de senderismo de longitud media a menos de dos horas de Madrid.

Formato de devoluciónlink image 2

Cada ruta debe ofrecer una aventura única y emocionante, y ser poco conocida.

Para cada ruta de senderismo, indica el nombre tal y como aparece en AllTrails, la dirección de inicio, la dirección de finalización, la distancia, el tiempo de viaje en coche, la duración de la ruta y qué la convierte en una aventura interesante y única..

Devuelve el top 3.

Warningslink image 3

Make sure the trail name is correct, that the trail actually exists, and that the time is accurate.

Contextlink image 4

For context: my family and I go on a lot of hikes! We've done practically all the local hikes around Madrid. We definitely want to get out of the city. We recently hiked up Mount Guadarrama, from the bottom of the stairs to the viewpoint overlooking the lake.
It was very long, and this weekend we'd like to do something different. We love delicious food. One thing I loved about the Guadarrama hike was that it ended with a celebration (getting to the city for breakfast!).

Preguntas frecuentes

¿Qué estructura de prompt funciona bien con el modelo o1 de OpenAI?

El ejemplo usa cuatro secciones separadas: "Objetivo" (la petición concreta, ej. "Quiero una lista de las mejores rutas de senderismo de longitud media a menos de dos horas de Madrid"), "Formato de devolución" (qué campos debe incluir cada resultado: nombre en AllTrails, dirección de inicio y fin, distancia, tiempo en coche, duración, y devolver el top 3), "Warnings" y "Context". Separar estas secciones explícitamente ayuda a o1 a razonar sobre cada restricción por separado en vez de mezclarlas en un párrafo.

¿Para qué sirve incluir una sección de "Warnings" en el prompt y qué se le pone?

La sección de Warnings se usa para pedir explícitamente que el modelo verifique los hechos antes de responder, como en el ejemplo: "Make sure the trail name is correct, that the trail actually exists, and that the time is accurate." Esto reduce las probabilidades de que o1 invente rutas o datos (nombres, tiempos) que no son reales.

Seguir leyendo

Últimos posts -->

¿Has visto estos proyectos?

Gymnasia

Gymnasia Gymnasia
Expo
React Native
TypeScript
OpenAI
Anthropic

App de fitness con dos agentes que se ejecutan íntegramente en el dispositivo, sin backend, de forma que los datos del usuario nunca salen del móvil. Un coach conversacional BYOK con adaptadores para OpenAI, Anthropic y Google, 12 tools locales y system prompt remoto con fallback offline, y un subagente de visión que estima macronutrientes a partir de fotos de comida, con lectura de códigos de barras contra OpenFoodFacts.

LangGraph Deep Researcher

LangGraph Deep Researcher LangGraph Deep Researcher
Python
LangGraph
FastAPI
React
TypeScript
Docker

Sistema multiagente de investigación construido con LangGraph. Un supervisor descompone tu pregunta en temas y lanza subagentes de búsqueda en paralelo; cada uno comprime sus hallazgos antes de pasarlos a un agente redactor que escribe el informe final en markdown con sus fuentes. Streaming en vivo por WebSockets, modelo configurable por rol y claves de API propias que nunca se guardan en el servidor.

Tau

Tau Tau
Python
LangChain

Sistema multiagente de tutoría para estudiantes de secundaria, con un agente por asignatura y material de curso elaborado y validado por un equipo de profesores. Llegó a usarse con alumnos reales en un colegio privado en España y en un instituto en Colombia.

Ver todos los proyectos -->
>_ Disponible para proyectos

¿Tienes un proyecto con IA?

Hablemos.

maximofn@gmail.com

Especialista en Machine Learning e Inteligencia Artificial. Desarrollo soluciones con IA generativa, agentes inteligentes y modelos personalizados.

¿Quieres ver alguna charla?

Últimas charlas -->

¿Quieres mejorar con estos tips?

Últimos tips -->

Usa esto en local

Los espacios de Hugging Face nos permite ejecutar modelos con demos muy sencillas, pero ¿qué pasa si la demo se rompe? O si el usuario la elimina? Por ello he creado contenedores docker con algunos espacios interesantes, para poder usarlos de manera local, pase lo que pase. De hecho, es posible que si pinchas en alún botón de ver proyecto te lleve a un espacio que no funciona.

Flow edit

Flow edit Flow edit

Edita imágenes con este modelo de Flow. Basándose en SD3 o FLUX puedes editar cualquier imagen y generar nuevas

FLUX.1-RealismLora

FLUX.1-RealismLora FLUX.1-RealismLora
Ver todos los contenedores -->
>_ Disponible para proyectos

¿Tienes un proyecto con IA?

Hablemos.

maximofn@gmail.com

Especialista en Machine Learning e Inteligencia Artificial. Desarrollo soluciones con IA generativa, agentes inteligentes y modelos personalizados.

¿Quieres entrenar tu modelo con estos datasets?

short-jokes-dataset

HuggingFace

Dataset de chistes en inglés

Uso: Fine-tuning de modelos de generación de texto humorístico

231K filas 2 columnas 45 MB
Ver en HuggingFace →

opus100

HuggingFace

Dataset con traducciones de inglés a español

Uso: Entrenamiento de modelos de traducción inglés-español

1M filas 2 columnas 210 MB
Ver en HuggingFace →

netflix_titles

HuggingFace

Dataset con películas y series de Netflix

Uso: Análisis de catálogo de Netflix y sistemas de recomendación

8.8K filas 12 columnas 3.5 MB
Ver en HuggingFace →
Ver más datasets -->