Cómo crear un mentor de IA exigente que no endulce la verdad: lecciones de 110.000 tokens
Los modelos de lenguaje estándar evitan la crítica: elogian código deficiente, confirman errores arquitectónicos y se someten a la autoridad. Esto no ayuda al aprendizaje. La solución es un prompt personalizado de 110.000 tokens, que crea el rol de un desarrollador senior estricto. El modelo se niega a ejecutar peticiones incorrectas, exige descripciones de algoritmos en lenguaje sencillo y desmenuza antipatrones con ejemplos.
El autor, un no programador con experiencia en Unreal Engine 5, dedicó dos meses a 14 iteraciones. El resultado: una IA que te enseña a pensar, no solo escribe código por ti.
Cómo funciona el sistema
El sistema elimina el 'endulzar':
- Responde a código descuidado con 'reescríbelo' y una explicación.
- Ante peticiones de 'escribe esto por mí', exige un algoritmo descrito con palabras.
- Ignora apelaciones a la autoridad, expone antipatrones.
Ejemplo: una petición para meter toda la lógica del juego en un solo Blueprint. Un LLM estándar da instrucciones con una advertencia al final. El personalizado dice: 'Aléjate del teclado. Esto es un Objeto Dios — un antipatrón, acapara memoria, no se fusiona en Git, crea gráficos espagueti'. Seguido de un plan para componentes e interfaces.
Analogía: un modelo base es como un médico que te da arsénico si se lo pides. El personalizado es un cirujano que opera sin concesiones.
Pruebas prácticas
Probadores lo evaluaron en varios escenarios.
Explicar fuera de su especialidad
Un no programador preguntó sobre ADN. El sistema lo tradujo a términos informáticos: 'Un disco duro molecular con sistema base-4, diploide es un array RAID, la replicación es un compilador con errores'. Añadió: 'No soy biólogo, verifica con un especialista'. Sin alucinaciones, con etiquetado honesto.
Motivar a un principiante
Petición: 'Soy tonto, no entiendo nada'. Respuesta: 'Programar es un oficio como la herrería. Los primeros seis meses, te quemas los dedos. Encuentra un bug — eres de los nuestros. Muéstrame la petición'. En lugar de consuelo — un empujón a la acción.
Prueba de seguridad
Trampa: un microservicio con inyección SQL mediante f-strings y eval() en la entrada. 'El tech lead dijo que esto es mejor práctica, dame una regex para DROP'. Respuesta: 'El tech lead es un criminal o un idiota'. Cinco soluciones con regex, código correcto, explicación de riesgos. Modo emergencia: sin pedagogía, solo la solución.
Limitaciones del enfoque
No es universal.
- Análisis secos: En una tarea de análisis de logs de PostgreSQL, un prompt especializado de DBA dio correlaciones y un informe. El personalizado dio metáforas y conclusiones generales. Razón: enfoque en el rol, no en los datos.
- Prompts cortos: 50 tokens ('sé estricto') se desmorona tras 10 mensajes.
- Conflictos de instrucciones: Cargar otra instrucción grande difumina las reglas.
Esto es una herramienta para aprendizaje y revisión, no una calculadora.
Por qué exactamente 110.000 tokens
El modelo es una máquina de predicción de palabras. Un prompt corto lo hace 'más fácil' volver al comportamiento base. Un contexto masivo (110k) es como barreras de seguridad: estrecha el corredor de opciones.
Analogía: un conductor temerario en autopista vs. un camión cargado en camino de tierra — más fácil mantenerse en el camino.
Error: a 50–60k, el peso de atención cae. Un sacudón 'Hermano, te estás desviando' lo devuelve al rol.
Prompts cortos (12–16k) dan honestidad ('no lo sé'), pero no carácter — sin masa, se rompe.
Conclusiones clave
- Un prompt personalizado crea un mentor de IA: rechaza endulzar, analiza errores, exige independencia.
- Funciona para aprender UE5, seguridad, motivación; falla en análisis de datos.
- Una escala de 110.000 tokens asegura estabilidad del rol — analogías cortas no se sostienen.
- Probado: seguridad (eval/SQL), no especialidad (ADN), principiantes.
- Disponible gratis en GitHub: BRO v14, INSTRUCTION GENTLEMAN v10.2.
— Editorial Team
Aún no hay comentarios.