Prompt Engineering
El Prompt Engineering es la práctica de diseñar instrucciones efectivas para modelos de IA. Es el punto de entrada al trabajo con IA generativa y la base del Context Engineering.
Por qué el prompt importa
Los modelos de IA responden a lo que se les pide, no a lo que quieres que hagan. La diferencia entre “resume este texto” y “resume este texto en 3 puntos concisos desde la perspectiva de un CFO que evalúa riesgo” produce resultados completamente distintos con exactamente el mismo modelo.
Un buen prompt reduce la ambigüedad, calibra las expectativas del modelo y especifica exactamente qué éxito significa para esa tarea concreta. No hay magia — hay precisión.
Técnicas esenciales
Zero-shot prompting
La instrucción directa sin ejemplos. El modelo aplica su conocimiento de entrenamiento.
Cuándo: Tareas bien definidas donde el modelo ya domina el formato
Clasifica el sentimiento de este texto como positivo, negativo o neutro: "El producto llegó antes de lo previsto y funciona perfectamente."
Few-shot prompting
Añadir 2-5 ejemplos input/output antes de la tarea. La técnica de mayor densidad informativa.
Cuándo: Cuando el formato de output es muy específico o necesitas consistencia
Input: "El envío tardó semanas" → Sentimiento: Negativo Input: "Todo perfecto, repetiré" → Sentimiento: Positivo Input: "El precio es razonable" → Sentimiento:
Chain of Thought (CoT)
Pedirle al modelo que razone paso a paso antes de dar la respuesta final. Mejora la precisión en tareas complejas.
Cuándo: Razonamiento matemático, lógica, análisis de causa-efecto
Resuelve esto paso a paso: Juan tiene 15 manzanas. Le da 1/3 a María y compra 8 más. ¿Cuántas tiene? Razonamiento:
Role prompting
Asignar un rol o identidad al modelo. Calibra el tono, vocabulario y perspectiva de las respuestas.
Cuándo: Necesitas un tono específico, expertise de dominio o perspectiva concreta
Eres un abogado especialista en contratos tecnológicos. Revisa esta cláusula y señala los riesgos para el cliente:
Structured output
Pedir la respuesta en un formato concreto: JSON, Markdown, tabla, lista. Esencial para integrar con código.
Cuándo: Cuando el output se va a procesar programáticamente
Extrae los datos y devuelve SOLO el JSON sin texto adicional:
{"nombre": "", "email": "", "empresa": "", "rol": ""}System prompt design
Diseñar el conjunto completo de instrucciones base: rol, objetivo, restricciones, formato y ejemplos en una estructura clara.
Cuándo: Sistemas en producción, agentes, cualquier aplicación real
## Rol Eres [nombre], asistente especializado en [dominio]. ## Objetivo [tarea principal] ## Restricciones - No harás X - Siempre confirmas antes de Y ## Formato [especificación de output]
Anatomía de un system prompt
Un system prompt profesional no es un párrafo de instrucciones. Es un documento estructurado con secciones bien definidas. Cuanto más claro es su estructura, más fácil es mantenerlo, iterar sobre él y diagnosticar qué sección causa problemas.
Rol
Quién es el modelo: nombre, especialidad, tono. Define la perspectiva desde la que responde.
Objetivo
Para qué existe: qué tarea principal debe completar. Una frase clara y específica.
Contexto
Información de fondo que el modelo necesita pero no tiene por defecto: sobre el negocio, los usuarios, el producto.
Restricciones
Qué no debe hacer nunca. Lista de límites explícitos. Más efectivo que decir lo que sí debe hacer.
Proceso
Si la tarea tiene pasos, descríbelos. El modelo sigue el proceso más consistentemente con instrucciones explícitas.
Formato
Cómo debe estructurar la respuesta: longitud, formato Markdown, JSON, secciones específicas.
Ejemplos
2-3 pares input/output representativos. La sección con mayor impacto per token consumido.
Errores más comunes
Instrucciones ambiguas o contradictorias
Si el sistema prompt dice 'sé conciso' y también 'explica en detalle', el modelo elige arbitrariamente. Sé específico: '3-4 oraciones' en lugar de 'conciso'.
No incluir ejemplos few-shot
El few-shot es la técnica con mejor ROI en tokens. Tres buenos ejemplos valen más que un párrafo de instrucciones.
Instrucciones negativas sin alternativa
'No hagas X' sin especificar 'en su lugar haz Y' deja al modelo sin dirección. Define siempre el comportamiento deseado.
System prompt de 3.000 palabras sin estructura
Los prompts largos sin jerarquía clara degradan la adherencia. El modelo olvida instrucciones al final. Usa headers y prioriza.
No testear con casos adversariales
Un prompt que funciona para los casos esperados puede fallar con inputs inesperados. Prueba edge cases y entradas maliciosas antes de producción.
La transición al Context Engineering
Cuando dominas el Prompt Engineering, el siguiente nivel natural es el Context Engineering: diseñar no solo el prompt sino todo el sistema de contexto que lo rodea.
Prompt básico
System prompt
Prompt + RAG
Context Engineering
Herramientas para practicar
Generador de System Prompt
Crea un system prompt completo en minutos
Evaluador de prompts
Puntúa y mejora tu prompt con análisis detallado
Analizador de context window
Visualiza el % de contexto usado por tu prompt
Profundizar más
Preguntas frecuentes
¿Qué es Prompt Engineering?+
Prompt Engineering es la práctica de diseñar y optimizar las instrucciones que se dan a un modelo de IA para obtener mejores resultados. Abarca desde técnicas básicas (cómo formular una pregunta) hasta el diseño de system prompts complejos con rol, restricciones y ejemplos.
¿Ha muerto el Prompt Engineering con el Context Engineering?+
No. El Prompt Engineering es el fundamento del Context Engineering. Lo que ha cambiado es el alcance: el prompt ya no es el único lever — ahora está rodeado de memoria, RAG, tools y evals. Pero saber escribir buenos prompts sigue siendo la habilidad base.
¿Qué diferencia hay entre un prompt y un system prompt?+
Un prompt es el mensaje del usuario en cada turno. Un system prompt es el conjunto de instrucciones persistentes que definen el comportamiento del modelo antes de cualquier interacción — rol, restricciones, formato, ejemplos. Es el contexto base del sistema.
¿Qué es Chain of Thought y cuándo usarlo?+
Chain of Thought (CoT) es pedirle al modelo que razone explícitamente paso a paso antes de dar una respuesta. Mejora la precisión en tareas de razonamiento complejo, matemáticas y lógica. No siempre es necesario: para tareas simples, añade latencia sin beneficio.
¿Cuántos ejemplos debo incluir en few-shot?+
Entre 2 y 5 ejemplos bien elegidos suelen ser óptimos. Más de 6 raramente mejora resultados y consume tokens. Lo importante es la calidad: un ejemplo que cubre el caso principal, uno con un edge case, y opcionalmente uno negativo (qué NO debe hacer).
Recibe lo mejor de Contextología
Diseño de contexto, agentes y workflows de IA directamente en tu correo.