Ingeniería de prompts en la práctica: cómo escribir prompts de calidad
Con el mismo modelo, dos prompts distintos pueden dar resultados radicalmente diferentes. Este tutorial reúne las técnicas de prompting más prácticas para que obtengas salidas de calidad de forma consistente.
PorAI Resource Hub
Da instrucciones claras y concretas
A preguntas vagas, respuestas vagas. Dile al modelo exactamente qué quieres: cuanto más concretos sean la tarea, el objetivo, el formato de salida, la longitud y el tono, mejor.
Por ejemplo, en lugar de "ayúdame a escribir un texto", prueba con "escribe 3 eslóganes de máximo 10 palabras para una herramienta de IA dirigida a desarrolladores, con un estilo conciso y profesional".
Aporta contexto y ejemplos
Dale al modelo el trasfondo necesario para que la respuesta encaje en tu escenario: incluye directamente en el prompt el material relevante y las restricciones.
Si necesitas que la salida siga un formato concreto, dar uno o dos ejemplos (few-shot) suele funcionar mejor que una explicación larga.
Guía al modelo para que razone paso a paso
En tareas de razonamiento y cálculo, añadir indicaciones como "piensa paso a paso" (Chain-of-Thought) mejora la precisión de forma notable.
También puedes trocear una tarea compleja en varios pasos, preguntar por cada uno por separado y pedir al modelo que sintetice los resultados al final.
Asigna un rol y un formato de salida
Darle un rol al modelo, como "eres un ingeniero front-end sénior", hace que las respuestas sean más profesionales y centradas.
Cuando necesites resultados estructurados, pide explícitamente JSON, una tabla Markdown o una lista numerada: el procesamiento posterior será mucho más fácil.
Errores comunes
No amontones requisitos contradictorios en una sola petición; no des por hecho que el modelo conoce tus premisas implícitas; y deja siempre un paso de verificación para el contenido factual.
Trata el prompt como un "programa" iterable: lanza una primera versión y ve puliéndola según la salida, acercándote poco a poco al resultado ideal.
Patrones avanzados
Más allá de las técnicas básicas, hay patrones avanzados que mejoran mucho los resultados. Chain-of-Thought (CoT) pide al modelo que razone en voz alta antes de responder, lo que aumenta la precisión en tareas de matemáticas y lógica. ReAct combina razonamiento y acción: el modelo piensa, llama a una herramienta, observa el resultado e itera. Tree-of-Thought explora varias vías de razonamiento en paralelo y elige la mejor. Self-Consistency genera varias respuestas y toma la mayoría, reduciendo errores puntuales.
Flujo de trabajo de refinamiento iterativo
Trata el prompting como un ciclo de ingeniería iterativa, no como una suposición de un solo intento. Paso 1: escribe un prompt borrador y ejecútalo con 5-10 entradas representativas. Paso 2: inspecciona las salidas — ¿dónde fallan? ¿Falta contexto? ¿Formato incorrecto? ¿Tono equivocado? Paso 3: añade restricciones específicas y vuelve a ejecutar. Paso 4: cuando la calidad sea aceptable, automatiza con salida estructurada (modo JSON, llamada a funciones) y añade métricas de evaluación. Este ciclo construir-medir-aprender es como funcionan realmente los sistemas de prompts en producción.