¿Qué es la ingeniería de prompts?

Un prompt es la instrucción que recibe un modelo de lenguaje. La ingeniería de prompts es la disciplina que se ocupa de diseñar y optimizar esa instrucción: qué contexto incluir, qué ejemplos dar y cómo estructurar el texto para que el modelo entienda la tarea y responda de forma útil.

Conviene distinguirla de otras dos prácticas con las que se confunde. No es fine-tuning: el fine-tuning reentrena el modelo con datos nuevos y cambia sus parámetros internos; la ingeniería de prompts no toca el modelo, solo la entrada que recibe. Tampoco es simplemente "escribir bien". Un prompt eficaz suele incluir contexto explícito, el formato de salida esperado y, cuando es posible, ejemplos del resultado deseado.

Anthropic, en la documentación de Claude, enmarca la ingeniería de prompts como una herramienta entre varias: antes de optimizar un prompt, recomienda tener claros los criterios de éxito del caso de uso y una forma de medirlos empíricamente. Si el problema es de latencia o coste, señala, a veces se resuelve mejor cambiando de modelo que ajustando el prompt.

Las técnicas más documentadas trabajan sobre cuántos ejemplos recibe el modelo y cómo se le pide que razone. En los prompts de pocos ejemplos (few-shot), se incluyen uno o varios pares de entrada y salida antes de la petición real, lo que ayuda al modelo a entender mejor la tarea. En los prompts de cadena de pensamiento (chain of thought), se le pide al modelo que descomponga un razonamiento complejo en pasos intermedios en lugar de responder directamente. Una variante, el cero ejemplos con cadena de pensamiento, combina ambas ideas: pide los pasos de razonamiento sin dar ningún ejemplo previo.

Otro eje de la ingeniería de prompts es la jerarquía de roles dentro del mensaje. En la API de OpenAI, los mensajes de developer llevan instrucciones del desarrollador de la aplicación y tienen prioridad sobre los mensajes de user, que son la entrada de quien usa la aplicación; los mensajes del propio modelo llevan el rol assistant. Esa jerarquía determina qué instrucción gana si hay un conflicto entre lo que pide el desarrollador y lo que pide el usuario final.

Claude agrupa sus técnicas en una lista similar: claridad y ejemplos, estructuración con etiquetas XML, asignación de un rol al modelo, espacio explícito para razonar y encadenamiento de varios prompts para tareas complejas. No todas las técnicas rinden igual en todos los modelos: cada proveedor publica guías específicas para sus propias versiones.

Para quien hace SEO o marketing, la ingeniería de prompts no es solo un tema técnico. Al auditar cómo ChatGPT, Gemini o Claude mencionan una marca, trabajo típico de GEO, el prompt usado en la prueba determina en buena parte el resultado. Una pregunta vaga o mal formulada produce una respuesta poco representativa y lleva a conclusiones erróneas sobre la visibilidad real de la marca.

Lo mismo pasa al construir un chatbot o asistente con IA para atención al cliente. Una instrucción de sistema imprecisa se traduce en respuestas inconsistentes, sin que el problema esté en el modelo elegido. Y al evaluar si un contenido está bien preparado para que un sistema de IA lo extraiga y lo cite, las pruebas con distintos prompts muestran si el contenido responde bien a preguntas formuladas de maneras distintas, no solo a la pregunta ideal que escribió quien redactó el contenido.

• Da contexto explícito: qué tarea es, para quién es la respuesta y en qué formato se necesita.
• Incluye ejemplos del resultado esperado cuando la tarea admite varias interpretaciones.
• Separa claramente las instrucciones fijas del contenido variable, por ejemplo con etiquetas o delimitadores.
• Pide al modelo que razone paso a paso en tareas que requieren varios pasos lógicos.
• Define antes de optimizar qué cuenta como una respuesta correcta, y prueba contra ese criterio de forma empírica, no por impresión.
• Prueba el mismo prompt con variaciones de la pregunta antes de sacar conclusiones sobre el comportamiento del modelo.

• Asumir que el modelo comparte contexto que solo existe en la cabeza de quien escribe el prompt.
• Reutilizar un prompt que funciona bien en un modelo en otro modelo sin volver a probarlo.
• Confundir la ingeniería de prompts con el fine-tuning y esperar que un simple ajuste de texto resuelva un problema que requiere reentrenar el modelo.
• Juzgar un prompt por una sola respuesta en vez de evaluarlo contra varios casos.
• Meter demasiadas tareas distintas en un mismo prompt y esperar que el modelo las priorice bien por sí solo.