Prompt engineering: guia completa en espanol

Qué es prompt engineering

Prompt engineering es la disciplina de diseñar, estructurar y optimizar las instrucciones que envías a un modelo de lenguaje (LLM) para obtener resultados precisos, relevantes y útiles.

No se trata de encontrar "palabras mágicas". Se trata de comunicación clara con una máquina. El modelo no lee tu mente: responde exactamente a lo que le pides, del modo en que se lo pides. Si tu instrucción es vaga, la respuesta será genérica. Si es precisa, la respuesta será útil.

¿Por qué importa? Porque la diferencia entre un prompt mediocre y uno bien diseñado puede ser la diferencia entre una respuesta inútil y una que te ahorra horas de trabajo. En producción, un buen prompt puede significar la diferencia entre un 60% y un 95% de precisión en una tarea automatizada.

El prompt engineering es relevante para cualquier persona que use IA generativa: desarrolladores, marketers, analistas, managers, creadores de contenido. No necesitas saber programar para aplicar las técnicas básicas, aunque el conocimiento técnico ayuda en escenarios avanzados.

Principios fundamentales

Antes de aprender técnicas específicas, necesitas dominar cinco principios que aplican a cualquier modelo y cualquier tarea.

1. Claridad

Escribe instrucciones que no admitan ambigüedad. En lugar de "hazme un resumen", di "resume este artículo en 3 párrafos de máximo 80 palabras cada uno, enfocándote en las conclusiones principales".

2. Especificidad

Cuanto más concreto seas, mejor será la respuesta. Define el formato de salida, la longitud, el tono, el público objetivo y cualquier restricción. El modelo no puede adivinar lo que necesitas si no se lo dices.

3. Contexto

Proporciona al modelo toda la información relevante para la tarea. Si le pides que escriba un email de ventas, dile a quién va dirigido, qué producto vendes, cuál es la propuesta de valor y qué acción quieres que tome el lector. El contexto es lo que transforma una respuesta genérica en una respuesta personalizada.

4. Asignación de rol

Definir un rol específico para el modelo cambia significativamente la calidad de la respuesta. "Eres un analista de ciberseguridad con 10 años de experiencia" produce respuestas más técnicas y matizadas que una pregunta sin contexto de rol. Lee nuestra guía sobre roles en prompts para profundizar.

5. Formato de salida

Especifica exactamente cómo quieres la respuesta: lista con viñetas, tabla, JSON, código, párrafos numerados. Si no defines el formato, el modelo elegirá uno por ti, y no siempre será el que necesitas.

Técnicas básicas

Zero-shot prompting

La técnica más simple: pides algo directamente sin dar ejemplos previos. Funciona bien para tareas sencillas donde el modelo ya tiene suficiente conocimiento.

Clasifica el siguiente texto como positivo, negativo o neutro:
"El producto llegó a tiempo pero la calidad es inferior a lo esperado."

Responde solo con la clasificación.

El zero-shot es tu punto de partida. Si la respuesta no es lo suficientemente buena, escala a las siguientes técnicas.

Few-shot prompting

Proporcionas ejemplos de entrada y salida antes de tu consulta real. El modelo "entiende" el patrón y lo replica. Es especialmente útil para tareas de clasificación, extracción de datos y formateo.

Extrae el nombre de la empresa y el cargo del texto dado.

Texto: "María López trabaja como directora de marketing en Telefónica."
Resultado: {"empresa": "Telefónica", "cargo": "directora de marketing"}

Texto: "Juan García es CTO en una startup de ciberseguridad llamada SecureNet."
Resultado: {"empresa": "SecureNet", "cargo": "CTO"}

Texto: "Ana Martínez lidera el equipo de producto en Repsol desde 2023."
Resultado:

Con 2 o 3 ejemplos bien elegidos, la precisión de la extracción sube drásticamente. Los ejemplos deben cubrir casos representativos, incluyendo algún caso borde si es posible.

Chain of thought (cadena de pensamiento)

Pides al modelo que razone paso a paso antes de dar la respuesta final. Mejora significativamente el rendimiento en tareas de lógica, matemáticas y análisis complejo.

Un equipo de desarrollo tiene 5 sprints de 2 semanas. En cada sprint completan
un 15% más de story points que en el anterior. Si en el primer sprint completaron
20 story points, ¿cuántos completarán en total?

Piensa paso a paso antes de dar la respuesta final.

La frase "piensa paso a paso" es simple pero efectiva. Para resultados aún mejores, puedes estructurar los pasos tú mismo: "Paso 1: calcula X. Paso 2: aplica Y. Paso 3: suma los resultados."

Role prompting

Ya mencionado en los principios, pero merece su propia sección como técnica. Asignar un rol especializado al modelo activa "conocimiento" más relevante y produce respuestas con mayor profundidad técnica.

Eres un auditor de seguridad informática con certificación CISA y experiencia
en normativa ENS. Analiza el siguiente control de acceso y señala las debilidades:

[descripción del control]

Formato de respuesta: tabla con columnas Debilidad | Severidad | Recomendación

Para más ejemplos y patrones de role prompting, consulta nuestra guía dedicada.

Técnicas avanzadas

Chain of prompts (cadena de prompts)

En lugar de pedir todo en un solo prompt, divides la tarea en pasos secuenciales. Cada prompt recibe el resultado del anterior como contexto. Esta técnica es fundamental para tareas complejas que no caben en una sola instrucción.

Ejemplo para analizar un informe financiero:

1. Prompt 1: "Extrae las cifras clave de este informe: ingresos, gastos, beneficio neto"
2. Prompt 2: "Con estas cifras, calcula las variaciones interanuales"
3. Prompt 3: "Basándote en las variaciones, identifica las 3 tendencias principales"
4. Prompt 4: "Redacta un resumen ejecutivo de 200 palabras con las tendencias identificadas"

Lee nuestra guía sobre cadena de prompts para ver más patrones y casos de uso.

Tree of thought (árbol de pensamiento)

Evolución del chain of thought. El modelo explora múltiples caminos de razonamiento en paralelo, evalúa cada uno y selecciona el más prometedor. Es ideal para problemas con múltiples soluciones posibles.

Necesito decidir la arquitectura de base de datos para una aplicación multi-tenant.

Explora 3 enfoques diferentes:
1. Base de datos compartida con columna tenant_id
2. Esquema separado por tenant
3. Base de datos separada por tenant

Para cada enfoque, analiza: coste, escalabilidad, aislamiento de datos y
complejidad de mantenimiento. Después, recomienda el mejor para una startup
con 50 clientes y presupuesto limitado.

Retrieval augmented generation (RAG)

Combinas el modelo con una base de datos de documentos relevantes. Antes de generar la respuesta, el sistema recupera fragmentos de texto relacionados con la consulta y los incluye en el prompt como contexto. Esto reduce alucinaciones y permite al modelo trabajar con información actualizada o privada.

RAG no es solo una técnica de prompting: es una arquitectura completa. Pero desde la perspectiva del prompt, la clave está en cómo presentas los fragmentos recuperados al modelo y cómo le instruyes para que los use (o admita que no tiene información suficiente).

Self-consistency

Generas múltiples respuestas al mismo prompt (con temperatura > 0) y seleccionas la respuesta más frecuente o más consistente. Es útil para tareas donde una sola ejecución puede fallar, como razonamiento matemático o clasificación ambigua.

En producción, self-consistency se implementa generando 3 a 5 respuestas y aplicando votación mayoritaria. El coste se multiplica, pero la precisión mejora significativamente en tareas difíciles.

Patrones de prompt más útiles

Estos son los patrones que usamos a diario en proyectos reales. Cada uno resuelve un problema específico.

Para una colección más extensa de patrones con ejemplos detallados, consulta nuestra guía de prompts de IA.

Prompt engineering para ChatGPT vs Claude vs Gemini

Cada modelo tiene su personalidad. Lo que funciona bien en uno puede dar resultados mediocres en otro. Estas son las diferencias clave que debes conocer. Para una comparativa más amplia, lee nuestro artículo sobre ChatGPT vs Claude vs Gemini.

ChatGPT (GPT-4o)

• System prompt: respeta bien las instrucciones del system prompt, pero tiende a "olvidarlas" en conversaciones largas
• Formato preferido: Markdown. Los encabezados, listas y negritas en el prompt se procesan bien
• Fortalezas: tareas creativas, brainstorming, explicaciones didácticas
• Debilidades: a veces es demasiado servil (dice que sí a todo) y puede inventar datos con confianza
• Tip: usa instrucciones explícitas como "sé conciso" o "responde en máximo 3 párrafos" porque tiende a respuestas largas

Claude (Sonnet/Opus)

• System prompt: seguimiento excelente de instrucciones largas y complejas. Mantiene coherencia en conversaciones extensas
• Formato preferido: etiquetas XML. Claude interpreta muy bien estructuras como <context>, <instructions>, <examples>
• Fortalezas: código, análisis técnico, seguimiento preciso de restricciones, español natural
• Debilidades: no tiene búsqueda web nativa, knowledge cutoff puede ser limitante
• Tip: aprovecha las etiquetas XML para separar secciones del prompt. Claude las entiende como delimitadores semánticos, no solo sintácticos

Ejemplo de prompt optimizado para Claude:

<context>
Eres un analista de compliance que revisa contratos B2B.
La empresa opera en España bajo normativa RGPD y ENS.
</context>

<instructions>
Revisa el contrato y señala cláusulas que incumplan RGPD.
Para cada incumplimiento, indica el artículo violado y sugiere texto alternativo.
</instructions>

<document>
[texto del contrato]
</document>

Para profundizar en cómo funcionan los system prompts, lee nuestra guía dedicada.

Gemini (2.5 Pro)

• System prompt: soporta system instructions separadas. Buen seguimiento, aunque menos consistente que Claude en restricciones complejas
• Formato preferido: instrucciones directas y claras. No necesita formato especial
• Fortalezas: contexto de 1M tokens (puede procesar libros enteros), búsqueda web integrada, razonamiento científico
• Debilidades: a veces genera respuestas excesivamente largas y puede ser menos preciso en seguimiento de formato estricto
• Tip: aprovecha el contexto largo para incluir documentación completa en lugar de fragmentos. Gemini rinde mejor con más contexto que con menos

Errores comunes y cómo evitarlos

1. Instrucciones vagas. "Hazme algo bonito" no es un prompt. Define qué, para quién, en qué formato y con qué extensión. La vaguedad produce genericidad.
2. Sobrecarga de información. Meter 50 requisitos en un solo prompt confunde al modelo. Si tienes más de 5 o 6 instrucciones, usa una cadena de prompts o agrupa requisitos por categoría.
3. No definir formato de salida. Si no dices cómo quieres la respuesta, el modelo elegirá por ti. Especifica: tabla, JSON, lista numerada, párrafo, código. Siempre.
4. Ignorar la ventana de contexto. Cada modelo tiene un límite. Si envías más texto del que cabe, el modelo pierde información. Conoce el límite de tu modelo y gestiona el contexto activamente.
5. No iterar. El primer prompt rara vez es perfecto. Trata el prompting como un proceso iterativo: prueba, evalúa, ajusta, repite. Los mejores prompts nacen de la iteración, no de la inspiración.
6. Confiar ciegamente en la respuesta. Los LLMs alucinan. Especialmente con datos numéricos, fechas, citas y referencias. Verifica siempre la información crítica con fuentes primarias.
7. Copiar prompts de internet sin adaptarlos. Un prompt que funciona para un caso de uso específico puede fallar completamente en otro. Entiende los principios detrás del prompt y adáptalo a tu contexto.
8. No usar el system prompt. El system prompt existe para definir comportamiento global. Úsalo para establecer el rol, tono, restricciones y formato por defecto. No repitas estas instrucciones en cada mensaje del usuario.

Herramientas para prompt engineering

Anthropic Workbench

El playground oficial de Anthropic para probar prompts con Claude. Permite configurar system prompt, temperatura, max tokens y comparar resultados entre modelos (Haiku, Sonnet, Opus). Ideal para prototipar antes de integrar en tu aplicación. Acceso gratuito con cuenta de API.

OpenAI Playground

Equivalente de OpenAI. Soporta GPT-4o, GPT-4o-mini y modelos o1. Permite experimentar con parámetros como temperature, top_p y frequency_penalty. Útil si tu stack usa modelos de OpenAI.

PromptPerfect

Herramienta que optimiza tus prompts automáticamente. Le das un prompt y te sugiere versiones mejoradas. Útil como punto de partida, aunque los resultados siempre deben revisarse manualmente. Soporta múltiples modelos.

LangSmith

Plataforma de LangChain para trazabilidad y evaluación de prompts en producción. Permite ver cómo se ejecutan los prompts, comparar versiones, medir latencia y calidad. Esencial para equipos que usan prompts en producción y necesitan observabilidad.

Prompt engineering en producción

Diseñar un buen prompt en el playground es solo el principio. Llevarlo a producción requiere prácticas de ingeniería de software que muchos equipos descuidan.

Versionado de prompts

Trata los prompts como código. Guárdalos en archivos versionados con Git, con un esquema de versionado semántico (v1.0, v1.1, v2.0). Cada cambio debe tener un commit explicando qué se modificó y por qué. Nunca edites un prompt en producción sin registrar el cambio.

Evaluación (evals)

Antes de desplegar un prompt nuevo, evalúalo contra un dataset de prueba. Define métricas claras: precisión, recall, adherencia al formato, tasa de alucinaciones. Si el prompt nuevo no mejora las métricas del anterior, no lo despliegues.

A/B testing

En aplicaciones con usuarios reales, ejecuta dos versiones del prompt en paralelo y mide cuál produce mejores resultados. El A/B testing de prompts funciona igual que el de interfaces: divide el tráfico, mide, decide con datos.

Prompt caching

Si tu prompt incluye un contexto largo que no cambia entre llamadas (documentación, instrucciones base, ejemplos), usa prompt caching para reducir la latencia y el coste. Tanto Anthropic como OpenAI ofrecen mecanismos de caché que pueden reducir el coste de input hasta un 90%.

Recursos para seguir aprendiendo

• Documentación de prompting de Anthropic: la referencia más completa para diseñar prompts para Claude. Incluye técnicas, ejemplos y mejores prácticas
• OpenAI Cookbook: colección de ejemplos prácticos y notebooks para trabajar con modelos GPT. Cubre desde prompting básico hasta RAG y fine-tuning
• DeepLearning.AI (curso de Prompt Engineering): curso gratuito de Andrew Ng e Isa Fulford. Orientado a desarrolladores, con notebooks interactivos
• Blog de IAcademy (sección Prompting): nuestros artículos sobre guía de prompts, cadena de prompts, system prompts y roles en prompts

Preguntas frecuentes

Qué es prompt engineering?

Prompt engineering es la disciplina de diseñar, estructurar y optimizar las instrucciones que envías a un modelo de lenguaje (LLM) para obtener resultados precisos y útiles. No se trata de "palabras mágicas", sino de comunicación clara y estructurada con la IA. Incluye técnicas como few-shot learning, chain of thought y role prompting.

Se necesita saber programar para hacer prompt engineering?

No. Las técnicas básicas (zero-shot, few-shot, role prompting) no requieren conocimientos de programación. Cualquier persona que use ChatGPT, Claude o Gemini puede aplicarlas. Sin embargo, para técnicas avanzadas como cadena de prompts automatizada o integración con APIs, tener nociones básicas de código ayuda mucho.

Cuál es la diferencia entre un prompt y un system prompt?

El prompt es la instrucción que envías en cada mensaje. El system prompt es una instrucción previa que define el comportamiento general del modelo durante toda la conversación: tono, rol, restricciones y formato. Se configura una vez y aplica a todos los mensajes posteriores.

Las técnicas de prompt engineering funcionan igual en todos los modelos?

Los principios básicos (claridad, contexto, ejemplos) son universales. Pero cada modelo responde mejor a ciertos formatos. Claude entiende bien etiquetas XML. ChatGPT prefiere Markdown. Gemini funciona bien con instrucciones directas y contexto largo. Lee nuestra comparativa completa para más detalles.

El prompt engineering va a desaparecer con modelos más avanzados?

No, pero evolucionará. Los modelos mejoran en comprender instrucciones vagas, pero la capacidad de comunicar con precisión lo que necesitas siempre será una ventaja competitiva. En producción, el prompt engineering es aún más crítico: versionado, evaluación y optimización de prompts son prácticas esenciales para cualquier aplicación seria de IA.