¿Qué es la Ingeniería de Prompts (Prompt Engineering)?
La ingeniería de prompts es la práctica de diseñar las entradas que se dan a un modelo de lenguaje para que produzca la salida deseada de forma fiable. Un buen prompt especifica el rol, la tarea, las restricciones, el formato de salida y, cuando conviene, ejemplos. Es la palanca más accesible para guiar el comportamiento del modelo —y una capa del harness más amplio— pero por sí sola no hace fiable a un sistema a escala.
Definición
La ingeniería de prompts es la práctica de diseñar y refinar las instrucciones, el contexto y los ejemplos que se dan a un modelo de lenguaje para obtener de forma fiable la salida deseada.
Puntos clave
- Un buen prompt indica rol, tarea, restricciones, formato y ejemplos.
- Los ejemplos (few-shot) suelen superar a las instrucciones solas en tareas estructuradas.
- El chain-of-thought mejora el razonamiento de varios pasos.
- Los prompts deben probarse y versionarse, no ajustarse a ojo.
- Es una capa del harness, no un sustituto de herramientas, memoria y evaluación.
Contexto
Como los modelos siguen instrucciones en lenguaje natural, la forma de plantear una tarea cambia materialmente el resultado. La ingeniería de prompts es la disciplina de plantearla bien: ser explícito sobre el objetivo, la audiencia, las restricciones y el formato que quieres recibir.
Es la forma más rápida y barata de mejorar la calidad, por eso es donde empiezan la mayoría de equipos. Pero al crecer hacia agentes, el prompting pasa a ser un componente entre herramientas, memoria, recuperación y evaluación: el harness completo.
Arquitectura
Técnicas habituales: zero-shot (solo instrucción), few-shot (instrucción más ejemplos), chain-of-thought (pedir razonamiento paso a paso), especificación de rol y formato, y descomposición (dividir una tarea en prompts más pequeños).
La práctica madura trata los prompts como código: se guardan, se versionan, se prueban contra evaluaciones y se cambian de forma deliberada. Las plantillas reutilizables y los esquemas de salida estructurada reducen la varianza.
Componentes
Beneficios
- La forma más rápida y barata de cambiar el comportamiento del modelo.
- No requiere entrenamiento ni infraestructura.
- Funciona entre modelos y tareas.
- Fácil de iterar y combinar con otras técnicas.
Riesgos
- Frágil: pequeños cambios de redacción alteran el comportamiento.
- Inyección de prompts cuando incluyen entrada no confiable.
- Difícil escalar la fiabilidad solo con prompting.
- Acoplamiento oculto a las peculiaridades de un modelo.
Herramientas y tecnologías
Ejemplos
- Añadir ejemplos para que un modelo devuelva JSON consistente.
- Pedir razonamiento paso a paso para mejorar una respuesta de lógica o matemáticas.
- Especificar un formato estricto para que el código posterior pueda parsear la respuesta.
FAQs
- ¿Sigue siendo relevante el prompt engineering según mejoran los modelos?
- Sí, pero su papel se estrecha. Los mejores modelos necesitan menos persuasión, pero instrucciones claras, ejemplos y formato siguen mejorando la fiabilidad de forma medible, sobre todo dentro de agentes.
- ¿En qué se diferencia de la ingeniería de contexto?
- El prompt engineering se centra en la instrucción. La ingeniería de contexto es la tarea más amplia de decidir qué información entra en la ventana de contexto limitada del modelo en cada paso.
- ¿El chain-of-thought ayuda siempre?
- Ayuda sobre todo en tareas de razonamiento de varios pasos, a costa de más tokens. Para búsquedas simples añade latencia sin beneficio.
- ¿Cómo se mantienen fiables los prompts?
- Tratándolos como código: versionarlos, probarlos contra evaluaciones y cambiarlos de forma deliberada en vez de por ensayo y error.