Qué es el prompt engineering: guía práctica con ejemplos
El prompt engineering es escribir instrucciones que dan resultados fiables con modelos de IA. Las partes de un buen prompt, con ejemplos de antes y después.
En este artículo
El prompt engineering es la práctica de diseñar la entrada de un modelo de lenguaje grande (las instrucciones, el contexto, los ejemplos y los requisitos de formato) para que la respuesta sea útil, precisa y consistente. En la práctica significa decidir qué necesita saber el modelo, qué debe hacer y cómo debe ser el resultado, y después comprobar si el prompt realmente lo consigue.
Esa definición suena abstracta, así que la mayor parte de esta guía son ejemplos. Si solo recuerdas una cosa: un modelo solo puede trabajar con lo que tiene delante. La mayoría de las malas respuestas vienen de un prompt que omitió algo que quien lo escribió sabía pero nunca dijo.
¿Por qué importa tanto la redacción de un prompt?
Un modelo de lenguaje predice una continuación del texto que recibió. No tiene acceso a tu proyecto, a tu público, a tus borradores anteriores ni a la conversación que tuviste con tu jefe sobre el tono. Todo lo que sabe de tu situación viene del prompt (y, en las apps de chat, de los mensajes anteriores y de las funciones de memoria).
Así que cuando un prompt dice "escribe un resumen de este informe", el modelo rellena cada hueco con una suposición. ¿De qué longitud? ¿Para quién? ¿Viñetas o prosa? ¿Debe señalar riesgos o mantenerse neutral? La suposición será plausible y genérica, porque lo genérico es la apuesta más segura cuando falta información.
El prompt engineering es sobre todo la disciplina de cerrar esos huecos a propósito.
¿Cómo es un buen prompt?
Esta es una petición que la gente envía a los asistentes de chat todos los días:
Escribe un correo a mi equipo sobre la nueva fecha límite.
El modelo producirá un correo educado e insulso con marcadores como "[nueva fecha]". No está mal, pero es inútil sin editarlo.
Ahora una versión escrita por alguien que ya ha hecho esto unas cuantas veces:
Escribe un correo corto para mi equipo de cinco ingenieros de backend.
Contexto: La fecha límite de la migración de la API pasó del 14 de marzo
al 28 de marzo porque el proveedor de pagos retrasó su sandbox. Nadie del
equipo causó el retraso. Dos personas habían planeado vacaciones en torno
a la fecha anterior.
Objetivo: Decirles la nueva fecha, explicar el motivo en una frase
y aclarar que los planes de vacaciones no deben cambiar.
Tono: directo y tranquilo, sin relleno corporativo. Menos de 120 palabras.
Fírmalo como "Dana".
Ahí no pasó nada ingenioso. El segundo prompt simplemente contiene los hechos, el público, el objetivo, el tono y un límite de longitud. Eso es la mayor parte del prompt engineering para el uso cotidiano.
¿Cuáles son las partes de un buen prompt?
Cada guía las nombra de forma distinta, pero siempre aparecen las mismas piezas. No necesitarás todas en cada prompt.
Tarea. El verbo y el objeto. "Resumir", "clasificar", "reescribir", "extraer", "comparar". Los verbos vagos como "ayudar con" o "echar un vistazo a" obligan al modelo a adivinar qué quieres que haga.
Contexto. Información de fondo que el modelo no puede inferir: quién es el público, para qué sirve el documento, qué se ha intentado ya. De aquí sale la mayor parte de la calidad. Lo tratamos a fondo en el tema de rol y contexto.
Restricciones. Longitud, tono, nivel de lectura, cosas que evitar, cosas que deben incluirse. Las restricciones cuestan poco de escribir y ahorran muchas idas y venidas.
Formato de salida. Viñetas, una tabla, JSON con claves concretas, una sola palabra. Si un programa va a leer la respuesta, el formato no es opcional. El tema de salida estructurada cubre ese caso en detalle.
Ejemplos. De uno a unos pocos pares de entrada y salida que muestran el patrón que quieres. Los ejemplos son potentes y también fáciles de usar mal, por eso escribimos un artículo aparte sobre zero-shot frente a few-shot prompting.
A veces también se lista un rol ("Eres un contable fiscal sénior") como componente. Puede ayudar a fijar el vocabulario y la profundidad, pero un rol sin contexto sirve mucho menos de lo que se espera. "Eres un experto en marketing" aporta poco; "Los lectores son responsables de compras de hospitales que leen en diagonal desde el móvil" aporta mucho.
¿El prompt engineering es solo para chatbots?
No, y aquí es donde el término se gana la palabra "engineering". Hay dos trabajos bastante distintos que comparten nombre.
El primero es el prompting conversacional: tú, escribiendo en ChatGPT, Claude o Gemini, iterando hasta que la respuesta es buena. Aquí puedes corregir el rumbo en el siguiente turno, así que un prompt algo flojo te cuesta un minuto.
El segundo son los prompts dentro de software: un bot de soporte, un clasificador de documentos, una herramienta de revisión de código, un agente que llama a APIs. El prompt se ejecuta miles de veces con entradas que nunca viste. No hay nadie que diga "no, más corto". Una pequeña ambigüedad que arreglarías en un chat se convierte en una tasa de fallos del 4 % en producción.
El segundo trabajo añade cosas que el primero rara vez necesita:
- Un prompt de sistema que defina el comportamiento en todas las conversaciones (cómo escribir uno).
- Formatos de salida estrictos para que el código pueda interpretar el resultado.
- Fundamentar el modelo en documentos recuperados para que no invente datos.
- Defensas contra la prompt injection, porque la entrada del usuario y los documentos pueden contener instrucciones propias.
- Un conjunto de pruebas: unas cuantas decenas de entradas reales que vuelves a ejecutar cada vez que cambias el prompt.
Ese último punto es el que los principiantes se saltan y los profesionales nunca. Si cambias un prompt de producción sin volver a ejecutar tus casos de prueba, estás adivinando.
Un ejemplo resuelto: de vago a fiable
Supón que quieres que un modelo clasifique en categorías los mensajes de clientes que llegan. Primer intento:
Categoriza este mensaje de cliente.
Mensaje: "Me cobraron dos veces la factura de marzo, por favor corríjanlo."
Recibes algo como "Este mensaje pertenece a la categoría Facturación, ya que el cliente informa de un cobro duplicado". Bien para una persona, penoso para el código. Y el siguiente mensaje podría volver como "Pagos" en lugar de "Facturación", porque nunca dijiste qué categorías existen.
Segundo intento:
Clasifica el mensaje del cliente en exactamente una categoría.
Categorías:
- billing: cobros, reembolsos, facturas, métodos de pago
- account: inicio de sesión, contraseña, perfil, eliminar la cuenta
- bug: algo del producto está roto o se comporta mal
- other: cualquier otra cosa
Responde solo con el nombre de la categoría en minúsculas, nada más.
Mensaje: """Me cobraron dos veces la factura de marzo, por favor corríjanlo."""
Tres cambios hicieron el trabajo. El conjunto de etiquetas es fijo, cada etiqueta tiene una definición corta para que los casos límite tengan adónde ir, y el formato de salida está especificado. Las comillas triples marcan dónde empieza y termina el texto del usuario, lo que ayuda al modelo a mantener separados los datos y las instrucciones (aunque no es una barrera de seguridad contra ataques deliberados).
Después lo pruebas con veinte mensajes reales, incluidos los incómodos como "No puedo iniciar sesión para ver mi factura". ¿Es billing o account? Tus definiciones deberían responderlo. Si no lo hacen, el modelo elegirá una de forma inconsistente, y la solución es una definición más precisa, no un tono más severo.
¿Qué técnicas de prompting conviene conocer primero?
Una lista corta y honesta, en el orden en que suelen importar:
- Sé específico con la tarea y el formato de salida. Cubre la mayoría de los problemas cotidianos.
- Da contexto. Público, propósito, restricciones, cómo es lo "bueno".
- Muestra ejemplos cuando el formato o el estilo son difíciles de describir con palabras.
- Pide el razonamiento antes de la respuesta en problemas de varios pasos. Es la idea detrás del chain-of-thought prompting, aunque los modelos de razonamiento más nuevos hacen buena parte de esto por su cuenta.
- Fundamenta las respuestas en fuentes cuando los datos importan, usando recuperación. De eso trata el tema de grounding (RAG).
- Define las herramientas con claridad si el modelo puede ejecutar acciones.
Notarás que en esa lista no hay frases mágicas. Al principio la gente intercambiaba conjuros como "respira hondo" u ofrecerle una propina al modelo. Algunos tuvieron efectos medibles en modelos antiguos concretos, pero no se trasladan de forma fiable y no sustituyen a un prompt que diga lo que quieres.
Lo que el prompt engineering no es
No es una forma de hacer que un modelo sepa cosas que no sabe. Si la respuesta depende de la política interna de tu empresa, ninguna redacción la producirá a menos que la política esté en el prompt o se recupere dentro de él.
Tampoco es un acto único. Los modelos se actualizan, las entradas cambian y un prompt que funcionaba en un modelo puede comportarse distinto en otro. Prueba en el modelo que realmente uses y vuelve a probar cuando cambie.
Y no es solo escribir. Buena parte del trabajo consiste en leer las respuestas con espíritu crítico: detectar dónde el modelo siguió la letra de la instrucción pero se perdió la intención, y averiguar qué frase ausente lo provocó.
¿Cómo mejorar?
Escribe prompts para tareas reales, lee las respuestas con atención y cambia una sola cosa cada vez. Lee las guías de prompting que OpenAI, Anthropic y Google publican para sus propios modelos; son gratuitas, concretas y las escriben personas que ven muchísimos casos de fallo.
También ayuda practicar las decisiones individuales por separado: cuál de estas cuatro instrucciones arregla esta respuesta, en qué punto exacto falla este prompt. Ese tipo de ejercicio es para lo que está pensada TokIQ, una app de cuestionarios que desarrollamos (en Google Play, próximamente en iPhone). Uses lo que uses, el hábito que importa es el mismo: trata cada respuesta decepcionante como información sobre tu prompt. Para una ruta estructurada, mira cómo aprender prompt engineering o empieza por el tema de fundamentos.
Preguntas frecuentes
¿Qué es el prompt engineering en palabras sencillas?
El prompt engineering es escribir las instrucciones, el contexto y los ejemplos que le das a un modelo de IA para que produzca el resultado que realmente necesitas. Abarca tanto la redacción de una sola petición como el diseño de prompts reutilizables dentro de aplicaciones.
¿Sigue siendo relevante el prompt engineering ahora que los modelos son más inteligentes?
Sí. Los mejores modelos perdonan con más frecuencia la redacción vaga, pero siguen sin poder adivinar el contexto que nunca les diste, tu nivel de calidad ni el formato exacto que espera tu código. El trabajo ha pasado de los trucos hacia la especificación clara y las pruebas.
¿Hace falta saber programar para hacer prompt engineering?
No. Gran parte de la habilidad es escribir con claridad y probar con cuidado. Programar ayuda cuando integras prompts en software, por ejemplo para validar una salida JSON o ejecutar el mismo prompt con muchas entradas de prueba.
¿Cuáles son las partes principales de un prompt?
Un prompt útil suele tener una tarea, el contexto que necesita el modelo, restricciones como la longitud o el tono, el formato de salida y, a veces, ejemplos. No todos los prompts necesitan todo, pero la falta de contexto y de formato son las causas más comunes de resultados flojos.
- #prompt engineering
- #conceptos básicos
- #ejemplos de prompts
- #LLM