6 Mejores Prácticas para la Generación de Código con LLM

1. Usar salida estructurada en YAML en lugar de formato JSON - YAML tiene mayor tolerancia a errores, JSON es propenso a errores de formato que no se pueden analizar - El contenido YAML consume menos tokens 2. Análisis con viñetas - Al pedir a la LLM que analice problemas, solicitar salida en viñetas produce mejores resultados - Las viñetas promueven una comprensión profunda y una segmentación semántica lógica - Ejemplo: preguntas de autorreflexión con viñetas para descripción general, metas y reglas, estructura de entrada, estructura de salida 3. Las LLM sobresalen en generar código modular - Instrucción: 'Divide el código generado en múltiples módulos de subfunciones pequeñas y dales nombres significativos' - Resulta en menos errores y mayor éxito en correcciones iterativas 4. Toma de decisiones flexible y doble validación - Después de la salida inicial, pide al modelo que genere la misma salida nuevamente y corrija si es necesario - Ejemplo: alimenta al modelo con sus propias pruebas de IA como entrada, regenera las pruebas y corrige errores - Es más efectivo que preguntar '¿Es correcta esta prueba?' con preguntas de sí/no 5. Retrasar la toma de decisiones, evitar preguntas directas, dar espacio de exploración - Comienza con la tarea más simple: autorreflexión y razonamiento sobre casos de prueba públicos - Luego genera pruebas de IA adicionales y posibles soluciones - Solo después de que el modelo responda, procede a la generación real de código y corrección iterativa - Evalúa y clasifica múltiples soluciones posibles, prioriza las de mayor rango para la codificación inicial 6. Supervisión orientada al flujo - Diseña un flujo científico, acumula datos paso a paso, agrega nuevos datos en cada etapa - Ejemplo para CodeContests: flujo de dos fases con pasos para reflexión, análisis de pruebas públicas y generación de soluciones - Valida y selecciona datos en cada paso, con corrección iterativa si ocurren errores