Conceptos básicos de ingeniería de prompts: Una entrada de glosario práctico

La ingeniería de prompts es la práctica de escribir texto de entrada que hace que un modelo de lenguaje produzca el resultado que realmente deseas. Se sitúa entre la escritura y el debugging: no estás codificando en el sentido tradicional, pero sí estás probando hipótesis sobre cómo un modelo interpreta las instrucciones e iterando cuando comete errores.

Qué es realmente un prompt

Un prompt es todo lo que envías a un modelo antes de que genere una respuesta — instrucciones, contexto, ejemplos, y la pregunta o tarea actual. La mayoría de los modelos de chat modernos dividen esto en roles: un mensaje del sistema (establece el comportamiento y restricciones), mensajes del usuario (la solicitud actual), y a veces mensajes del asistente (turnos previos o ejemplos). Si usas una API como la de OpenAI o Anthropic, establecerás estos explícitamente en código. Si usas una interfaz de chat, el prompt del sistema a menudo está oculto o se establece una sola vez al inicio de una conversación.

Por qué la misma pregunta obtiene respuestas diferentes

Los modelos de lenguaje predicen el siguiente token basándose en todo lo que vino antes, incluyendo tu redacción, orden de palabras e incluso puntuación. Pregunta "Explica la recursión" y obtendrás una respuesta genérica de libro de texto. Pregunta "Explica la recursión a un desarrollador junior que entiende bucles pero no recursión, usando un único ejemplo en Python con un caso base y un caso recursivo" y obtendrás algo mucho más útil. La especificidad de tu entrada moldea directamente la especificidad de la salida. Este es el concepto central que los principiantes necesitan entender: el modelo no te está leyendo la mente, está haciendo correspondencia de patrones contra tus palabras.

Técnicas principales que vale la pena aprender primero

Zero-shot prompting significa preguntar directamente sin ejemplos: "Escribe una regex que coincida con números telefónicos estadounidenses." Esto funciona bien para tareas comunes y bien definidas.

Few-shot prompting significa proporcionar al modelo uno o más ejemplos del patrón entrada/salida que deseas antes de pedirle que continúe con el patrón. Si deseas que un modelo clasifique tickets de soporte en categorías, mostrarle primero tres ejemplos etiquetados producirá resultados más consistentes que describir las categorías solo en prosa.

Chain-of-thought prompting le pide al modelo que razone paso a paso antes de dar una respuesta final, a menudo añadiendo literalmente "piensa paso a paso" o pidiéndole que muestre su trabajo. Esto ayuda con matemáticas, lógica y tareas de múltiples pasos, aunque también aumenta el uso de tokens y la longitud de la respuesta.

Role prompting asigna al modelo un personaje — "Eres un ingeniero de seguridad senior revisando este código para encontrar vulnerabilidades" — que puede cambiar el tono, vocabulario y el tipo de detalle que prioriza. No le otorga al modelo nuevas capacidades, pero sí ancla el estilo de su salida.

La estructura importa más que la ingeniosidad

Los principiantes a menudo asumen que la ingeniería de prompts consiste en encontrar una frase mágica. En la práctica, la estructura vence a la ingeniosidad casi siempre. Divide tu prompt en partes claras: contexto, tarea, restricciones y formato. Por ejemplo:

Contexto: Estás revisando una aplicación Python Flask para una auditoría de seguridad.
Tarea: Identifica riesgos de inyección SQL en el código de abajo.
Restricciones: Solo marca problemas en las rutas /login y /search.
Formato: Devuelve una lista numerada con el número de línea y una explicación de una oración.

Este tipo de formateo explícito reduce la ambigüedad y hace que las salidas sean más fáciles de analizar programáticamente si estás encadenando prompts en un script.

Errores comunes al principio

Un error frecuente es la vaguedad disfrazada de brevedad — pedir "mejora esto" sin definir qué significa "mejor" (¿más rápido? ¿más legible? ¿más seguro?). Otro es meter cinco tareas no relacionadas en un solo prompt, lo que tiende a producir respuestas superficiales a los cinco en lugar de una respuesta sólida a uno. Los principiantes también olvidan que los modelos no tienen memoria entre llamadas API separadas a menos que explícitamente devuelvas el historial de conversación anterior, lo que confunde a la gente al construir cualquier cosa con estado.

Probar e iterar como un ingeniero

Trata los prompts como código que versiones y pruebas, no como texto desechable que usas una sola vez. Mantén un registro de variaciones de prompts y sus salidas, especialmente para cualquier cosa que reutilices en producción, como un bot de soporte al cliente o un asistente de revisión de código. Cambios de redacción pequeños — "resume" vs "resume en exactamente tres puntos" — pueden producir resultados significativamente diferentes, y la única forma de saber qué funciona para tu caso de uso es ejecutar la comparación tú mismo en lugar de asumir.

Cómo encaja esto en construir cosas reales

Una vez que los prompts se vuelven confiables, el siguiente paso normalmente es el uso programático: llamar a una API con configuraciones de temperature y max_tokens ajustadas para tu tarea, añadir lógica de reintentos para salidas mal formadas, y validar respuestas antes de que lleguen a un usuario. Es donde la ingeniería de prompts comienza a solaparse con la disciplina regular de ingeniería de software, y es un buen punto para pasar de experimentar en una ventana de chat a escribir scripts reales.

Si deseas ir más allá, revisa los segmentos de Korra Studio sobre trabajo con APIs de LLM en Python y sobre construcción de herramientas pequeñas impulsadas por IA desde cero.