Guía de ingeniería de prompts
Una guía gratuita de ingeniería de prompts para ChatGPT, Claude y Gemini: cómo escribir un prompt, las técnicas clave, prompts para programar y dónde fallan los modelos. Cada prompt de estas páginas se puede editar y abrir en tu app de IA.
Inicia un recorrido guiado de AI PromptsPrimeros pasos
- Qué es un promptUn prompt es el texto que le das a un modelo de IA para decirle qué debe producir. Mira qué lleva, prompts reales para texto, código e imágenes, y en qué se diferencia de la respuesta y del prompt de sistema.
- Ingeniería de promptsLa ingeniería de prompts es la práctica de escribir y probar las instrucciones que le das a un modelo de IA para que produzca el resultado que necesitas. Esta guía explica por qué funciona y ordena todas las técnicas clave.
- Cómo escribir un promptUn buen prompt es un encargo breve: un rol, una tarea, el contexto que el modelo no puede adivinar, el material con el que trabajar, la forma de la respuesta y los límites. Cada parte evita una manera distinta de fallar.
- Ejemplos de promptsTrece prompts listos para copiar para aprender, programar, redactar y planificar. Rellena los huecos y luego copia el prompt o ábrelo en ChatGPT o Claude.
- Prompt de sistemaUn prompt de sistema (system prompt) es un conjunto de instrucciones permanentes que se aplica a toda una conversación con un modelo de IA. Aprende dónde se define, qué poner en él y en qué se diferencia de un mensaje del usuario.
- Tokens y contextoLos modelos de IA leen el texto como tokens, pequeños trozos de palabras, y solo pueden abarcar un número limitado a la vez: la ventana de contexto. Aprende cómo funcionan ambos y qué hacer cuando un chat se alarga.
- TemperaturaLa temperatura controla cuánta aleatoriedad usa un modelo de lenguaje al elegir cada palabra siguiente. Mira cómo cambia las probabilidades de cada palabra, cuándo ponerla baja o alta y en qué se diferencia de top_p.
Técnicas básicas
- Prompting zero-shotEl prompting zero-shot consiste en pedirle a un modelo una tarea solo con instrucciones, sin ejemplos de la respuesta. Es como la mayoría de la gente usa ChatGPT, Claude y Gemini, y funciona bien cuando la tarea es común y la instrucción es precisa.
- Prompting few-shotEl prompting few-shot pone en el prompt unos cuantos ejemplos resueltos, cada uno una entrada con la respuesta que quieres, para que el modelo copie el patrón. Es la forma más rápida de enseñar un formato, un conjunto de etiquetas o un estilo propio que el modelo no adivinaría.
- Cadena de pensamientoLa cadena de pensamiento (chain of thought) le pide a un modelo que escriba su razonamiento antes de dar la respuesta. Ayuda sobre todo en problemas de matemáticas y lógica de varios pasos, e importa menos en los modelos de razonamiento, que ya piensan antes de responder.
- Prompting de rolEl prompting de rol le da al modelo un papel que interpretar, como tutor, revisor de código o entrevistador. Un rol cambia para quién se escribe la respuesta y qué estándar cumple; no añade conocimientos que el modelo no tiene.
- Salida estructuradaLa salida estructurada consiste en pedirle al modelo una respuesta con una forma fija, como JSON, una tabla o una plantilla, para que un programa o una persona pueda usarla sin reorganizarla. Da el esquema, di qué hacer con los valores que faltan y valida el resultado en el código.
- Delimitadores y etiquetas XMLLos delimitadores marcan dónde empieza y dónde termina el material pegado, para que el modelo distinga tus instrucciones del texto con el que debe trabajar. Sirven las comillas, las triples comillas invertidas, las líneas ### y las etiquetas XML; las etiquetas XML escalan mejor cuando un prompt contiene varios materiales.
- Plantillas de promptsUna plantilla de prompt es un prompt que ya probaste, con huecos para las partes que cambian cada vez. Copia plantillas listas con campos para rellenar y luego convierte tu mejor prompt en una plantilla en cinco pasos.
Técnicas avanzadas
- Encadenamiento de promptsEl encadenamiento de prompts (prompt chaining) divide un trabajo en una secuencia de prompts más pequeños, donde la salida de cada paso se convierte en la entrada del siguiente. Cada paso hace una sola cosa, y puedes revisar su resultado antes de que se ejecute el siguiente.
- AutoconsistenciaLa autoconsistencia (self-consistency) hace la misma pregunta de razonamiento varias veces, deja que cada ejecución razone a su manera y se queda con la respuesta que más se repite. Aquí verás cómo funciona, cómo aplicarla a mano y cómo hacerlo en código.
- Árbol de pensamientoEl árbol de pensamiento (tree of thought) hace que el modelo explore varias soluciones parciales, evalúe cada una y conserve solo las ramas prometedoras. Aquí verás cómo funciona el método original, una versión en un solo prompt para probar y dónde se queda corta esa versión.
- Prompting ReActEl prompting ReAct hace que un modelo alterne entre razonar sobre una tarea y llamar a una herramienta, leyendo cada resultado antes de decidir el siguiente paso. Es el ciclo que hay detrás de la mayoría de los agentes de IA.
- MetapromptingEl metaprompting consiste en usar un modelo para trabajar sobre prompts: escribir uno desde cero, mejorar uno que ya tienes o dividir una tarea en prompts para otras llamadas al modelo. Aquí verás cómo hacer cada cosa sin recibir un prompt inflado.
- Ingeniería de contextoLa ingeniería de contexto (context engineering) consiste en decidir todo lo que entra en la ventana de contexto de un modelo en cada llamada: instrucciones, documentos, resultados de herramientas, memoria e historial de la conversación, y el orden en que llegan. El prompt que escribes es solo una parte.
Prompts para programar
- Prompts para escribir códigoLos prompts para programar funcionan cuando se leen como una pequeña especificación: el lenguaje y la versión, las entradas y salidas, los casos límite y las pruebas que el código debe pasar. Pide un paso pequeño a la vez.
- Prompts para depurarPara depurar con ChatGPT o Claude, pega el error completo y el código que lo lanzó, di qué esperabas y qué pasó en su lugar, enumera lo que ya probaste y pide la causa antes que la solución.
- Explicar códigoPídele a la IA que explique el código línea por línea, a tu nivel, con una tabla de cómo cambian los valores al ejecutarse. Di lo que ya sabes para que la explicación empiece donde estás.
- Prompts para revisar códigoUn buen prompt de revisión de código dice qué buscar, pide una gravedad para cada hallazgo, exige una entrada concreta que lo provoque y un diff, y le dice al modelo que se salte el estilo. Luego revisas cada hallazgo, porque algunos estarán mal.
Límites y seguridad
- Alucinaciones de la IAUna alucinación de la IA es una respuesta segura que es falsa: un dato, una cita, una función o un paquete inventados. Ocurre porque un modelo de lenguaje predice el texto más probable en lugar de consultar nada. Los prompts pueden reducirlas; solo la verificación las detecta.
- Inyección de promptsLa inyección de prompts (prompt injection) es un ataque en el que un texto que lee el modelo, escrito por un usuario u oculto en un correo, una página web o un archivo, anula las instrucciones que le dio la aplicación. Los delimitadores ayudan pero no lo detienen; limitar lo que puede hacer el modelo, sí.
- Iterar sobre promptsMejorar un prompt funciona mejor como un pequeño experimento: decide cómo es una buena respuesta, mantén unas cuantas entradas de prueba fijas, cambia una sola cosa a la vez y compara las salidas lado a lado.
