Indicaciones Estructuradas para LLM

La idea: Inyectar reglas gramaticales, diccionarios bilingües y notas de estilo directamente en el prompt del sistema del LLM. Sin entrenamiento, sin ajuste fino — solo conocimiento lingüístico estructurado que orienta la salida hacia traducciones válidas.

:::info Esta es una guía de referencia, no una implementación terminada Esta guía esboza el enfoque y sus decisiones de diseño clave. Adáptela a su par de idiomas, recursos disponibles y objetivos de evaluación. :::

Cuándo Usar Esto

• Usted tiene conocimiento lingüístico sobre el idioma de destino (reglas gramaticales, entradas de diccionario, preferencias de estilo) pero no suficientes datos paralelos para ajuste fino
• Desea iterar rápidamente — los cambios de prompt se despliegan en segundos, sin reentrenamiento
• El idioma de destino tiene patrones conocidos que el LLM interpreta incorrectamente (concordancia de género, convenciones de escritura, niveles de formalidad)
• Desea comparar indicaciones estructuradas contra una línea base e iterar sobre lo que funciona

Cómo Funciona

1. Reúna datos de coaching — reglas gramaticales, un diccionario bilingüe y notas de estilo en un archivo JSON estructurado
2. Configure el registro — un prefijo de prompt del sistema que establece el idioma, escritura y tono
3. Ejecute el harness — los datos de coaching se inyectan en cada prompt del LLM
4. Revise los fallos — observe qué rechaza la puerta de calidad, agregue reglas para abordar patrones
5. Itere — cada revisión del archivo de coaching es un nuevo experimento; el harness los rastrea todos

Estructura de Datos de Coaching

coaching/<locale>.json

{
  "grammar_rules": [
    "Adjectives agree in gender and number with the noun they modify",
    "Use formal register (vous) for all UI text",
    "Preserve interpolation variables exactly: {{name}}, {count}"
  ],
  "dictionary": {
    "dashboard": "tableau de bord",
    "settings": "paramètres",
    "deploy": "déployer"
  },
  "style_notes": "Prefer active voice. Avoid anglicisms where a native term exists. Keep sentences concise for UI readability."
}

Decisiones de Diseño Clave

Especificidad de reglas vs. ventana de contexto: Más reglas dan más orientación al LLM, pero consumen la ventana de contexto disponible para la traducción real. Comience con 5–10 reglas de alto impacto y agregue más solo cuando observe patrones de fallo específicos.

Cobertura de diccionario: No necesita un diccionario completo — enfóquese en términos que el LLM interpreta consistentemente de forma incorrecta. Incluso 20–30 términos forzados pueden mejorar dramáticamente la consistencia.

El orden de las reglas importa: Coloque las reglas más importantes primero. Los LLM atienden más fuertemente a las instrucciones tempranas.

Ejecutar un Experimento

python eval/baseline_experiment.py \
  --dataset data/edtekla-dev-v1.json \
  --model google/gemini-2.5-pro \
  --condition coached-v1 \
  --coaching-file coaching/crk.json

Ventajas y Desventajas

✅ Costo de entrenamiento cero	❌ Techo de calidad limitado por el conocimiento base del LLM
✅ Iteración instantánea (cambiar prompt → re-ejecutar)	❌ Los límites de ventana de contexto restringen cuánto coaching cabe
✅ Funciona con cualquier proveedor de LLM	❌ Las reglas pueden entrar en conflicto — depurar interacciones de prompt es un arte
✅ Transparente — puede leer exactamente qué ve el LLM	❌ No crea nuevo conocimiento, solo orienta el conocimiento existente

Se Combina Bien Con

• FST-Gated Pipeline — coaching + validación morfológica captura lo que el coaching solo no puede
• Dictionary-Augmented LLM — la terminología forzada es una forma de coaching
• Few-Shot Prompting — ejemplos + reglas juntos son más poderosos que cualquiera de los dos solos

Véase También

• Method Interface — formato de datos de coaching y el protocolo TranslationMethod
• Support a Low-Resource Language — el contexto completo
• Eval Harness — cómo ejecutar experimentos