Prompt Engineering

Resumen

Prompt engineering es la práctica de diseñar las entradas textuales que recibe un modelo de lenguaje: instrucciones, ejemplos, roles, restricciones y contexto. No es adivinar frases mágicas. Es un proceso de ingeniería que itera sobre claridad, estructura, formato, ejemplos, delimitación del espacio de respuesta y manejo de errores.

Importa porque el prompt es la interfaz principal hacia un LLM. Un prompt mal diseñado produce respuestas imprecisas, formato roto, cero ejemplos útiles o contexto perdido. Un prompt bien diseñado reduce ambigüedad, guía razonamiento, evita errores caros y hace que el modelo se comporte como necesita la aplicación. Para muchas tareas, un buen prompt resuelve el problema sin necesidad de fine-tuning, RAG ni agentes.

Alcance y supuestos

Este paquete cubre prompt engineering a nivel de práctica y diseño: estructura de instrucciones, uso de ejemplos, delimitación de salida, asignación de roles, separación de contexto, técnicas para razonamiento, y el ciclo de prueba y refinamiento.

No cubre optimización automatizada de prompts ni tokenización interna. Asume que entiendes qué es un LLM, cómo funciona la inferencia y que el modelo responde al texto que recibe.

Modelo mental

Piensa en redactar un brief creativo para un diseñador muy talentoso pero literal. El diseñador no lee tu mente. Si escribes "haz algo moderno", puede entregar cualquier cosa. Si escribes objetivo, tono, paleta de colores, formato de entrega, ejemplos de lo que quieres, ejemplos de lo que no quieres y dónde buscar si no sabe algo específico, el resultado cambia radicalmente.

Un LLM es ese diseñador literal. No tiene intención propia. El prompt es la única ventana que tiene hacia lo que quieres. Cada palabra, orden, ejemplo, restricción y separador compite por atención en su ventana de contexto. Mala ingeniería de prompts no suele producir un error visible — produce resultados mediocres, formato inconsistente o respuestas largas que no responden lo pedido.

La práctica incluye elegir qué tipo de prompt usar: zero-shot cuando la tarea es simple y el modelo tiene buen conocimiento base; few-shot cuando necesitas demostrar patrón o formato con ejemplos; chain-of-thought cuando el razonamiento debe ser explícito; prompt encadenado cuando el flujo requiere múltiples pasos.

Uso práctico

Invierte en prompt engineering cuando la salida del LLM debe ser confiable y predecible:

• ✅ Extraer datos estructurados de texto libre y devolver JSON con esquema definido.
• ✅ Clasificar tickets, correos o documentos con reglas claras y ejemplos etiquetados.
• ✅ Generar respuestas que siguen un tono, formato y criterio específico.
• ✅ Separar instrucciones del contenido (documentos de usuario, resultados de búsqueda) para evitar prompt injection.
• ❌ No reemplaza fine-tuning si necesitas muchos ejemplos o el patrón no cabe en un prompt.
• ❌ No es una capa de seguridad por sí solo; un adversario puede intentar romper instrucciones.

Ejemplo trabajado: extraer datos de correos y devolver JSON estructurado

Supón que una app recibe correos de clientes y necesita extraer tipo, prioridad y producto mencionado. Sin prompt design, un LLM puede devolver prosa libre, omitir campos o inventar. Con prompt engineering, defines estructura, ejemplos, formato y comportamiento ante incertidumbre:

function buildExtractionPrompt(emailBody: string): string {
  return `Extrae la siguiente información del correo y devuélvela solo como JSON.
No añadas explicaciones, comentarios ni texto fuera del JSON.

Campos requeridos:
- type: "billing" | "technical" | "account" | "other"
- priority: "low" | "medium" | "high" | "urgent"
- productMentioned: string | null
- summary: string (máximo 120 caracteres, en español)

Si un campo no puede determinarse con certeza, usa null.
Si el tipo no encaja, usa "other".

Ejemplo 1:
Correo: "No puedo acceder a mi cuenta. Me sale error 403."
JSON: {"type":"account","priority":"high","productMentioned":null,"summary":"Usuario reporta error 403 al intentar acceder a su cuenta"}

Ejemplo 2:
Correo: "La última factura tiene un cobro duplicado. Adjunto captura."
JSON: {"type":"billing","priority":"high","productMentioned":null,"summary":"Cliente reporta cobro duplicado en última factura con evidencia adjunta"}

Correo a procesar:
"${emailBody}"

JSON:`;
}

Lo que hace funcionar este prompt es un conjunto de decisiones:

1. Instrucción explícita de formato: solo JSON, sin rodeos.
2. Esquema tipado con valores concretos, no sugerencias abiertas.
3. Comportamiento ante incertidumbre: null en vez de inventar.
4. Fallback para tipo desconocido: "other".
5. Ejemplos que muestran el patrón exacto de entrada → salida.
6. Delimitador claro: Correo a procesar: seguido del input real.

Si el LLM falla, las causas probables no son mágicas: ambigüedad en alguna instrucción, ejemplos insuficientes, input demasiado largo que desplaza las reglas, o campos que chocan. El ciclo de prompt engineering es: medir precisión, identificar fallos, refinar instrucciones o ejemplos, volver a medir.

Antes de diseñar un prompt, cinco preguntas:

1. ¿Qué formato exacto debe tener la salida?
2. ¿Qué debe hacer el modelo si falta información o es ambigua?
3. ¿Qué ejemplos muestran claramente el comportamiento deseado?
4. ¿Dónde termina mi instrucción y dónde empieza el input del usuario?
5. ¿Cómo mediré si el prompt funciona? Precisión, formato correcto, ausencia de invención.

Evidencia

• OpenAI API, Prompt engineering ofrece estrategias y tácticas oficiales para diseñar prompts efectivos con modelos de la serie GPT.
• Anthropic Claude Platform Docs, Prompt engineering overview cubre técnicas de prompting desde claridad y ejemplos hasta estructura XML, role prompting, thinking y prompt chaining.
• Google AI for Developers, Prompt design strategies introduce conceptos básicos, estrategias y mejores prácticas para diseñar prompts para modelos Gemini.