/ai--prompt-engineer

Crea un banco de pruebas para medir un pipeline RAG: conjunto de preguntas de referencia, métricas de recuperación, fidelidad y control de regresiones.

Añade una caché delante de las llamadas a un LLM para servir respuestas guardadas a peticiones repetidas o casi iguales, y mide si de verdad ayuda.

Hace que un modelo devuelva JSON u objetos tipados fiables: diseño del esquema, modos nativos, validación y reparación acotada de errores.

Revisa o implementa las herramientas que un modelo puede llamar: esquemas claros, llamadas en paralelo, gestión de errores y medición de aciertos.

Diseña un agente de voz con baja latencia que admite interrupciones: elección de STT y TTS, presupuesto de latencia y diseño de la conversación.

Aplica un método de investigación en varias fases, con múltiples ángulos y fuentes, antes de responder o generar contenido que necesite datos.