Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Prompt engineering

El prompt engineering (ingeniería de prompts) es la práctica de escribir, estructurar y probar las instrucciones y los ejemplos que se dan a un modelo de lenguaje para que produzca la salida que necesita una aplicación, sin cambiar los pesos del modelo.

También llamado: prompting

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

Un modelo de lenguaje responde a texto, así que la redacción, el orden y la estructura de ese texto cambian el resultado. El prompt engineering es el trabajo de encontrar un prompt que dé respuestas fiables para una tarea y luego comprobarlo con entradas reales.

Técnicas habituales

- Instrucciones claras y directas que indiquen la tarea, el público y el formato. - Un rol y reglas permanentes en el system prompt. - Ejemplos resueltos, lo que se conoce como few-shot prompting, para mostrar el formato y el tono que buscas. - Pedir al modelo que razone paso a paso, como en el prompting de chain-of-thought. - Delimitadores como etiquetas XML o encabezados para separar las instrucciones de los datos. - Pedir salida estructurada cuando el código vaya a analizar la respuesta.

Por qué importa

Cambiar un prompt es barato y rápido en comparación con el fine-tuning. Suele ser lo primero que se prueba cuando un modelo da un formato erróneo, se salta una regla o responde con poca precisión. Como un pequeño cambio de redacción puede alterar los resultados, lo recomendable es mantener un conjunto de entradas de prueba y comparar con él las versiones del prompt, como se explica en evaluación de LLM.

En qué se diferencia del context engineering

Anthropic describe el context engineering como la evolución natural del prompt engineering. El prompt engineering se centra en escribir las instrucciones. El context engineering abarca todo lo demás que llega a la entrada del modelo durante una ejecución, como documentos recuperados, resultados de herramientas e historial de conversación, y preocupa más en agentes que trabajan durante muchos turnos.

Límites

Un prompt no puede añadir conocimiento que el modelo no tiene ni garantizar un comportamiento. Los prompts afinados para un modelo suelen necesitar cambios cuando cambias de modelo.

Términos relacionados

Few-shot prompting
El few-shot prompting (prompting con pocos ejemplos) consiste en dar a un modelo de lenguaje unos pocos ejemplos resueltos de una tarea dentro del prompt, para que pueda copiar el patrón con una entrada nueva sin ningún reentrenamiento.
System prompt
El system prompt (prompt del sistema) es el bloque de instrucciones que una aplicación envía a un modelo de lenguaje antes de los mensajes del usuario. Fija el rol, las reglas, el tono y el formato de salida del modelo para toda la conversación.
Context engineering
El context engineering (ingeniería de contexto) es la práctica de elegir y mantener todo lo que entra en la ventana de contexto de un modelo de lenguaje durante una tarea: instrucciones, documentos recuperados, definiciones de herramientas, resultados de herramientas e historial de la conversación.
Chain-of-thought
El chain-of-thought (CoT, cadena de pensamiento) es un método de prompting en el que un modelo de lenguaje escribe pasos de razonamiento intermedios antes de su respuesta final, lo que suele mejorar los resultados en matemáticas, lógica y otros problemas de varios pasos.
Evaluación de LLM
La evaluación de LLM (LLM evaluation), a menudo llamada evals, consiste en medir lo bien que un modelo o una aplicación de IA realiza una tarea ejecutándolo sobre un conjunto de casos de prueba y puntuando las salidas según criterios definidos, con código, con personas o con otro modelo.

Fuentes