Cómo aprender prompt engineering: guía gratis paso a paso
La mejor forma de aprender prompt engineering: ruta de 8 pasos desde lo básico hasta los agentes, guías gratuitas de los proveedores y un ejercicio por paso.
En este artículo
La mejor forma de aprender prompt engineering es seguir una ruta fija de ocho pasos, desde escribir instrucciones claras hasta proteger agentes de IA, y practicar cada paso con entradas reales en lugar de solo leer sobre él. Usa las guías gratuitas de prompting de OpenAI, Anthropic y Google como tutorial, ponte a prueba con decisiones de prompting concretas y termina con dos o tres proyectos pequeños que midas con un conjunto de pruebas.
Esta guía te da esa ruta en orden, con qué leer y un ejercicio para cada paso, además de los proyectos que convierten el conocimiento en habilidad. Aprendes lo que hace un prompt viéndolo fallar con entradas que no esperabas, así que cada paso termina con una prueba.
Puntos clave
- Aprende en un orden fijo: fundamentos, prompts de sistema, ejemplos, razonamiento, salida estructurada, grounding, herramientas, seguridad.
- Las guías de prompting de OpenAI, Anthropic y Google son el mejor tutorial gratuito de prompt engineering que existe.
- Practica las decisiones, no solo la lectura. Ponerte a prueba funciona mejor que releer (Roediger y Karpicke, 2006).
- Construye dos o tres proyectos pequeños con un conjunto de pruebas de 20–30 entradas. Ahí es donde la habilidad se fija.
¿Cuál es la ruta paso a paso para aprender prompt engineering?
La ruta paso a paso para aprender prompt engineering tiene ocho pasos, y cada uno se apoya en el anterior. Para cada paso verás qué aprender, cómo saber que ya lo dominas y un ejercicio para practicarlo.
Paso 1: Fundamentos. Tareas claras, contexto sobre el público y el propósito, formato de salida explícito, restricciones. Sabrás que dominas este paso cuando puedas mirar un prompt flojo y nombrar lo que le falta antes de ejecutarlo. Ejercicio: toma tres prompts que escribiste la semana pasada y reescribe cada uno indicando público, objetivo y formato. Qué es el prompt engineering cubre el terreno, el tema de fundamentos tiene preguntas de práctica y cómo escribir mejores prompts para ChatGPT muestra las reescrituras en acción.
Paso 2: Rol, contexto y prompts de sistema. Qué va en un prompt de sistema, qué va en el mensaje del usuario y por qué una frase de rol sin contexto sirve de poco. Lo dominas cuando puedes escribir un prompt de sistema con manejo de casos límite que resista un conjunto de mensajes de prueba incómodos. Ejercicio: escribe un prompt de sistema para un bot de soporte y mándale cinco mensajes pensados para romperlo. Mira cómo escribir un prompt de sistema.
Paso 3: Ejemplos. Zero-shot frente a few-shot, cómo se copian los ejemplos, equilibrio de etiquetas. Lo dominas cuando puedes predecir cómo un ejemplo va a distorsionar la respuesta antes de verla. Ejercicio: ejecuta el mismo prompt de clasificación con cero, uno y tres ejemplos sobre las mismas diez entradas y compara. Contexto: zero-shot frente a few-shot prompting.
Paso 4: Razonamiento. Chain-of-thought, razonar antes de responder y cuándo los modelos de razonamiento lo hacen innecesario. Lo dominas cuando pones por instinto el campo reasoning antes del campo answer. Ejercicio: dale a un modelo cinco problemas de varios pasos con y sin "piensa paso a paso" y cuenta las respuestas correctas. Mira chain-of-thought prompting explicado.
Paso 5: Salida estructurada. Esquemas JSON, las funciones de las APIs que los hacen cumplir, validación y reintentos. Ejercicio: extrae cinco campos de diez correos desordenados en formato JSON y cuenta cuántas respuestas se pueden interpretar. Mira cómo obtener JSON fiable de los LLM.
Paso 6: Grounding. Generación aumentada por recuperación (RAG), responder solo a partir de fuentes, citas, respuestas explícitas de "no encontrado". Ejercicio: hazle a un sistema de preguntas y respuestas sobre documentos diez preguntas cuyas respuestas no estén en los documentos. Mira qué es RAG.
Paso 7: Herramientas y agentes. Descripciones de herramientas, bucles de agente, condiciones de parada. Ejercicio: dale a un modelo una herramienta que a veces devuelva un error y observa qué hace después. Mira fundamentos de tool calling y agentes de IA.
Paso 8: Seguridad. La prompt injection, directa e indirecta, y las mitigaciones de arquitectura. Déjalo para cuando entiendas las herramientas, porque la inyección importa más cuando el modelo puede actuar. Ejercicio: esconde una instrucción dentro de un documento que recupere el sistema del paso 6 y comprueba si el modelo la sigue. Mira qué es la prompt injection.
No hace falta terminar cada paso antes de empezar el siguiente. Pero si el paso 7 te confunde, el hueco suele estar en el paso 1 o en el 5. Si además te preparas para una certificación, el examen AWS Certified AI Practitioner evalúa técnicas de prompt engineering en su dominio más grande; nuestras preguntas de ejemplo de AIF-C01 muestran cómo es.
¿Qué guías y tutoriales de prompt engineering merecen tu tiempo?
Las guías de prompt engineering que merecen tu tiempo son las gratuitas que publican los proveedores de modelos, más un puñado de artículos de investigación y una o dos fuentes de seguridad. Son menos de las que sugiere internet. Una lista corta:
Guías de prompting de los proveedores. La guía de prompt engineering de OpenAI, la documentación de prompt engineering de Anthropic y las estrategias de diseño de prompts de Google para Gemini. Son gratuitas, concretas, razonablemente actualizadas y están escritas por gente que ve un número enorme de fallos reales. Léelas las tres: lo que se repite te enseña lo universal, y las diferencias te enseñan lo específico de cada modelo. Anthropic también publicó en GitHub un tutorial interactivo de prompt engineering que vale la pena trabajar.
Un puñado de artículos. No hace falta leer investigación para escribir buenos prompts, pero unos cuantos artículos explican por qué funcionan las técnicas:
- Brown et al. (2020), "Language Models are Few-Shot Learners": de dónde viene el few-shot prompting.
- Wei et al. (2022), "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models".
- Lewis et al. (2020), el artículo original sobre la generación aumentada por recuperación.
- Yao et al. (2022), "ReAct", sobre el patrón de razonar y actuar que hay detrás de la mayoría de los agentes.
Lee el resumen, las figuras principales y los ejemplos. Para fines prácticos, es suficiente.
Textos sobre seguridad. El blog de Simon Willison, donde se acuñó en 2022 el término "prompt injection", es la mejor fuente continua sobre ese tema. El OWASP Top 10 for LLM Applications ofrece una visión estructurada de los riesgos.
Lo que conviene saltarse: las listas de "100 prompts mágicos" y los cursos cuyo contenido principal son plantillas de prompts. Las plantillas te enseñan a copiar, no a diagnosticar.
Por qué leer no basta
La mayoría de la gente aprende prompting leyendo consejos y asintiendo. Luego se sienta a escribir un prompt y los consejos no le vienen a la cabeza, porque reconocer un buen consejo es una habilidad distinta de producirlo por cuenta propia.
La investigación sobre el aprendizaje tiene nombre para la solución. La práctica de recuperación, o efecto de la evaluación (testing effect), es el hallazgo de que recordar activamente la información fortalece la memoria más que volver a estudiarla; el estudio "Test-Enhanced Learning" de Roediger y Karpicke (2006) es una demostración muy conocida. Espaciar esa práctica a lo largo de varios días ayuda todavía más.
En el prompting, el equivalente de una prueba es una decisión bajo incertidumbre:
- Aquí hay un prompt y su mala respuesta. ¿Qué la causó?
- Aquí hay cuatro instrucciones posibles. ¿Cuál lo arregla?
- Aquí hay un prompt de RAG. ¿Qué pasa cuando la recuperación no devuelve nada?
Responder preguntas como estas, y equivocarte a veces, desarrolla el instinto que necesitas ante un prompt en blanco. Puedes crear las tuyas: toma prompts que te fallaron, anota por qué y vuelve a ellos una semana después sin mirar tus notas.
Esta es también la idea detrás de TokIQ, una app de cuestionarios que desarrollamos (en Google Play, próximamente en iPhone). Cada pregunta es una decisión de prompting y, cuando fallas una, puedes leer una explicación corta y responder preguntas de seguimiento sobre la misma idea. Es una forma de conseguir práctica regular y espaciada. No sustituye a construir cosas, que es el siguiente paso.
¿Qué proyectos conviene construir?
Pequeños, reales y comprobables. Algunas ideas que enseñan mucho:
Un clasificador para tus propios datos. Ordena tu correo, tus mensajes de soporte o tus notas en categorías. Escribe definiciones de las etiquetas, reúne 30 ejemplos con la etiqueta correcta, mide la exactitud y mejórala. Aprenderás más sobre instrucciones y ejemplos en una tarde que con una semana de lectura.
Versión 1: "Categoriza este correo."
Versión 5: Conjunto fijo de etiquetas con definiciones, una regla para los
casos dudosos, dos ejemplos variados por etiqueta, salida = solo la etiqueta.
La exactitud en tus 30 correos de prueba te dice qué versión es mejor.
Un extractor que devuelva JSON. Obtén campos estructurados de facturas, recetas u ofertas de empleo. Usa un esquema, valida la salida y cuenta los fallos. Esto te enseña la salida estructurada fiable mejor que cualquier explicación.
Un pequeño sistema de preguntas y respuestas sobre documentos. Toma 20 páginas que conozcas bien (un manual, la wiki de tu equipo) y monta una recuperación básica. Luego hazle diez preguntas cuyas respuestas no estén en los documentos y cuenta cuántas veces se inventa algo. Ese único ejercicio enseña lo esencial del grounding.
Un script que use una herramienta. Un modelo con una o dos herramientas, como una API del tiempo y un calendario. Observa cómo decide cuándo llamarlas y qué pasa cuando una herramienta devuelve un error.
Lleva un registro de cada proyecto: versiones del prompt, qué cambió y resultados en tu conjunto de pruebas. Ese registro es además el portafolio que demuestra que sabes hacer el trabajo.
¿Cómo sabes que estás mejorando?
Algunas señales que suelen aparecer en este orden:
- Detectas el contexto que falta en un prompt antes de ejecutarlo.
- Tus primeros borradores necesitan menos rondas de corrección.
- Cuando la respuesta sale mal, puedes nombrar la causa en lugar de reescribir al azar.
- Empiezas a escribir casos de prueba antes de cambiar un prompt.
- Dejas de buscar frases mágicas y empiezas a buscar la información que falta.
¿Cuánto tiempo lleva?
Con unas pocas horas a la semana, los fundamentos encajan en unas semanas: tus prompts del día a día mejoran de forma notable. Construir prompts fiables dentro de aplicaciones lleva más, meses en lugar de semanas, porque depende de acumular experiencia con casos de fallo.
Veinte minutos al día de práctica activa más un proyecto pequeño al mes llevarán a la mayoría de la gente más lejos que un curso de fin de semana. Si quieres una visión estructurada de las etapas, la página de cómo funciona muestra cómo las organiza TokIQ, y errores comunes de prompt engineering es un buen autochequeo cuando ya dominas lo básico.
Preguntas frecuentes
¿Cuál es la mejor forma de aprender prompt engineering?
Sigue un orden fijo de temas, desde instrucciones claras y contexto hasta ejemplos, razonamiento, salida estructurada, recuperación, herramientas y seguridad. Lee las guías gratuitas de prompting de OpenAI, Anthropic y Google, ponte a prueba con decisiones de prompting concretas y construye dos o tres proyectos pequeños con un conjunto de entradas de prueba.
¿Cuánto se tarda en aprender prompt engineering?
Lo básico, como dar contexto, especificar el formato y usar ejemplos, se puede aprender en unas pocas semanas de práctica regular. Crear prompts fiables para aplicaciones, con pruebas, recuperación y herramientas, lleva meses de trabajo práctico.
¿Puedo aprender prompt engineering gratis?
Sí. Las guías de prompting de OpenAI, Anthropic y Google son gratuitas y de gran calidad, los artículos de investigación clave son de acceso libre y puedes practicar con los planes gratuitos de los asistentes de IA.
¿Necesito un certificado para trabajar en prompt engineering?
En general, a los empleadores les importa más el trabajo demostrado, como los prompts que construiste y probaste para tareas reales, que los certificados. Un portafolio pequeño de proyectos con resultados de antes y después convence más.
¿Qué debo aprender primero en prompt engineering?
Empieza por los fundamentos: tareas claras, contexto, formato de salida y ejemplos. Después pasa al razonamiento, la salida estructurada, la recuperación, las herramientas y la seguridad, más o menos en ese orden.
- #aprender prompt engineering
- #guía de prompt engineering
- #ruta de aprendizaje
- #práctica
- #recuerdo activo