Este artículo presenta un estudio experimental que aplica una técnica de optimización automática de indicaciones en lugar de la escritura manual de indicaciones en la construcción de grafos de conocimiento (KG) mediante un modelo de lenguaje a gran escala (LLM). Nos centramos en la tarea fundamental de extraer 3-tuplas (sujeto-relación-objeto) del texto y comparamos el rendimiento de tres técnicas de optimización automática de indicaciones (DSPy, APE y TextGrad) en diversas configuraciones (estrategia de indicaciones, modelo LLM, complejidad del esquema, longitud y diversidad del texto de entrada, índice de optimización y conjunto de datos) utilizando dos conjuntos de datos: SynthIE y REBEL. Los resultados experimentales muestran que la técnica de optimización automática de indicaciones alcanza un rendimiento similar al de las indicaciones escritas por humanos, y que la mejora del rendimiento se acentúa a medida que aumentan la complejidad del esquema y la longitud del texto.
