CivicDAO-FastPrompting-POC.

CivicDAO Fast Prompting POC

Introducción

Este proyecto es una prueba de concepto (POC) para demostrar cómo las técnicas de Fast Prompting pueden aplicarse en CivicDAO, una plataforma descentralizada enfocada en la toma de decisiones comunitarias.

Problema

La comunidad de una DAO suele generar gran cantidad de propuestas en lenguaje natural.
Revisar y clasificar estas propuestas manualmente es lento y consume muchos recursos.
Además, las propuestas suelen ser largas y necesitan resúmenes breves para que los miembros voten de manera informada.

Solución propuesta

Implementar un sistema de clasificación automática y resúmenes rápidos de propuestas DAO, aprovechando técnicas de prompting (prompt simple, estructurado y fast/comprimido).

Las categorías seleccionadas para la clasificación son:

• Gobernanza (GOV)
• Finanzas (FIN)
• Tecnología (TEC)
• Comunidad (COM)

Justificación de la viabilidad

• Factible técnicamente: con Python, Jupyter Notebook y un modelo de lenguaje (ej. GPT).
• Tiempo: la POC se desarrolla en pocas semanas.
• Recursos: se optimizan consultas usando Fast Prompting y batching.

Objetivos

1. Comparar la eficacia de diferentes técnicas de prompting en la clasificación de propuestas DAO.
2. Evaluar la reducción de coste y número de consultas mediante prompts comprimidos y batching.
3. Generar resúmenes breves de propuestas para facilitar la toma de decisiones.

Metodología

1. Definir un dataset de propuestas de ejemplo (data/propuestas_civicdao.csv).
2. Probar distintos tipos de prompting (simple, estructurado, fast).
3. Evaluar resultados en términos de precisión, claridad y coste estimado.
4. Documentar los hallazgos en un Notebook.

Herramientas y tecnologías

• Python + Jupyter Notebook
• OpenAI API (GPT-4o-mini o equivalente)
• pandas, tiktoken, matplotlib, tqdm
• Técnicas de prompting:
  • Zero-shot prompting
  • Few-shot prompting
  • Prompt comprimido (Fast Prompting)
  • Batching para reducir llamadas

Implementación

En el notebook notebooks/fast_prompting_civicdao.ipynb se muestra:

• Clasificación de propuestas con distintos prompts.
• Generación de resúmenes breves.
• Comparación de precisión y coste.

Análisis de costes

Se estima el consumo de tokens por prompt y la diferencia de coste entre:

• Prompt simple (muchas llamadas individuales).
• Prompt estructurado (más tokens por llamada).
• Prompt fast con batching (menos consultas, menor coste).

Resultados y conclusiones

• Los prompts comprimidos permiten reducir hasta 50% de tokens sin perder precisión.
• Batching reduce el número de llamadas y hace más eficiente el sistema.
• CivicDAO puede escalar mejor con Fast Prompting para manejar grandes volúmenes de propuestas.

Cómo ejecutar

1. Clonar este repositorio.
2. Crear un entorno virtual e instalar dependencias:
   ```bash pip install -r requirements.txt