En una reciente investigación realizada por el Stevens Institute of Technology, se exploró la efectividad de distintos patrones de prompt en el desarrollo asistido por inteligencia artificial, específicamente utilizando modelos de lenguaje como ChatGPT. El enfoque se centró en cómo los patrones estructurados en las entradas pueden optimizar la colaboración entre desarrolladores y asistentes AI, mejorando tanto la calidad del código producido como la eficiencia del proceso.

Utilizando el conjunto de datos DevGPT, los investigadores analizaron conversaciones entre desarrolladores y el asistente AI, examinando específicamente siete patrones distintos de prompt. El objetivo fue minimizar las interacciones requeridas para lograr resultados satisfactorios, reduciendo así el tiempo de comunicación bidireccional, que a menudo es extenso y poco eficaz.

En las pruebas realizadas, los patrones de “Contexto e Instrucciones” y “Receta” se destacaron en eficiencia, promoviendo la generación de resultados de alta calidad con menos iteraciones. Este enfoque permite a los desarrolladores ahorrar tiempo valioso que normalmente se consumiría en largas conversaciones iterativas. Además, los patrones como “Automatización de Salida” y “Instrucciones Simples” demostraron reducir significativamente la ambigüedad al ofrecer guías claras y detalladas desde el inicio.

La investigación también encontró que los prompts basados en “Pregunta” requerían más iteraciones, ya que a menudo carecen del contexto estructurado que otros patrones proporcionan, llevando a más solicitudes de aclaración por parte del AI. Esto resalta la importancia de invertir en un diseño de patrones claro y detallado desde el principio, lo cual es crucial para obtener resultados precisos de un modelo de lenguaje.

En conclusión, esta investigación subraya el potencial de la ingeniería de prompts para agilizar la colaboración entre desarrolladores y herramientas AI. Al aplicar patrones bien diseñados, los desarrolladores pueden mejorar significativamente tanto la calidad del código como la eficiencia del desarrollo. El estudio llama a una mayor investigación para aplicar estos patrones en distintos contextos y ampliar el alcance de la inteligencia artificial en el área de desarrollo de software.