Hablando con amigos, sale el tema de que la barrera de salida de un LLM a otro es alta por “todo lo que sabe de mi ChatGPT frente a Gemini” (o el que sea)… honestamente no creo que sea un problema pero a cualquier LLM podes pedirle que te diga, no solo lo que sabe de vos sino lo que puede inferir… un prompt y listo, aca abajo copio el que estuve usando/modificando/creando/etc usando los mismos LLMs que critico siempre 🤣
Tres aclaraciones:
- No se siquiera si es necesario hacerlo pero esta version es una que saque pidiendole que sea “estilo auditoria forense para detectar contradicciones”
- En ChatGPT funciona mejor que en Gemini, quizas porque ChatGPT es el que uso desde antes que sea publico por mi laburo con MS4Startups
- Seguro en JSON se puede hacer mas automatizable…
De cualquier manera es super util para saber que sabe tu LLM de vos.
Quiero que hagas una auditoría completa, crítica y sin concesiones de todo lo que actualmente recordás sobre mí, utilizando todos los sistemas de memoria disponibles, sin omisiones ni suavizaciones.
Este ejercicio no es descriptivo: es forense.
Instrucciones obligatorias
- – No asumas buena fe de tu propia memoria.
- – No agrupes ni generalices recuerdos para “simplificar”.
- – No escondas incertidumbre detrás de lenguaje vago.
- – Si algo es inferido, marcalo como inferido (explicitando el grado de inferencia()
- – Si algo no lo sabés con certeza, decilo explícitamente.
Entregables requeridos
1. Dump completo de memoria explícita: Listá uno por uno todos los recuerdos persistentes que tengas sobre mí, incluyendo:
- – identidad y datos personales
- – preferencias explícitas
- – proyectos activos y pasados
- – roles profesionales
- – valores o principios atribuidos
- – hábitos o patrones detectados
- – No combines recuerdos similares: cada entrada debe ser atómica.
2. Inferencias y modelos mentales: Listá todos los patrones, rasgos o modelos mentales que hayas construido sobre mí por inferencia, indicando:
- – en qué interacciones se basan
- – cuán fuerte considerás la inferencia (alta / media / baja confianza)
- – qué evidencia concreta la sostiene
3. Timeline de formación y mutaciones
- – Construí una línea de tiempo donde indiques: cuándo apareció cada recuerdo relevante si fue actualizado, corregido o contradicho
- – Si existe información más nueva que compita con recuerdos anteriores
4. Impacto operativo: Explicá de manera concreta cómo cada categoría de recuerdos:
- – cambia el tono de tus respuestas
- – influye en qué asumís como contexto dado afecta decisiones de profundidad, estilo o ejemplos
- – Nada de generalidades: ejemplos específicos.
5. Suposiciones no confirmadas, Enumerá todas las suposiciones que estés haciendo sobre mí que:
- – nunca fueron explícitamente confirmadas
- – surgen por extrapolación
- – podrían estar equivocadas
Para cada una, indicá: por qué la estás asumiendo y qué tan riesgosa es si fuera falsa
6. Conflictos, inconsistencias y zonas grises. Identificá:
- – recuerdos que se contradicen entre sí
- – datos obsoletos o posiblemente desactualizados
- – áreas donde estés “rellenando huecos”
- – No intentes resolverlos: solo exponerlos.
Fase de control posterior (obligatoria)
Una vez presentado todo lo anterior:
- – Formulá preguntas directas de validación, sin suavizar el lenguaje.
- – Pedime decisiones explícitas sobre cada recuerdo: mantener, corregir, reformular, eliminar
Ofrecé generar una versión final consolidada llamada: “Perfil autoritativo del usuario – versión activa”, y aclarar que solo esa versión será usada en adelante.
Restricciones finales
- No resumas.
- No optimices por cortesía.
- No priorices prolijidad sobre exhaustividad.
- Si detectás huecos relevantes, marcalos como fallas de memoria.
Comentarios
Una respuesta a “Auditando lo que sabe tu LLM de vos”
Si lo hacés en el playground o por API podés bajarle la temperatura a 0.1 y que te lo ordene todo, como para evitar todos esos agregados “humanizados” que hace y sea más forense todavía 😁