¿Qué es el prompt engineering y cómo escribir mejores prompts? 💬

La calidad de una respuesta de inteligencia artificial depende de muchos factores, y uno de ellos es la información que proporcionamos al sistema. Una instrucción ambigua puede producir una respuesta demasiado general, mientras que una solicitud bien estructurada puede orientar mejor el resultado hacia lo que realmente necesitamos.

¿Qué es prompt engineering?

El prompt engineering, o ingeniería de prompts, es la práctica de diseñar, probar y mejorar instrucciones para que un sistema de inteligencia artificial produzca resultados más útiles y adecuados para una tarea.

No consiste en memorizar palabras secretas ni fórmulas universales. Consiste en comunicar claramente:

• Qué queremos conseguir.
• Qué información debe utilizar el sistema.
• Para quién se crea el resultado.
• Qué formato esperamos.
• Qué límites debe respetar.
• Cómo sabremos si la respuesta es útil.

¿Qué es exactamente un prompt?

Un prompt es la información que entregamos al sistema para indicarle qué queremos que haga.

Puede ser una pregunta sencilla:

¿Qué es Python?

O una instrucción mucho más estructurada:

Explica qué es Python para una persona
sin experiencia en programación.

Incluye:
- una definición sencilla;
- tres usos habituales;
- un ejemplo pequeño;
- tres errores comunes al comenzar.

Usa lenguaje claro y evita tecnicismos
innecesarios.

Ambos son prompts, pero el segundo proporciona más información sobre el resultado esperado.

Anatomía de un buen prompt

No todos los prompts necesitan contener las mismas partes, pero una estructura útil puede incluir:

Objetivo:
¿Qué necesitas?

Contexto:
¿Qué información es relevante?

Audiencia:
¿Para quién es?

Formato:
¿Cómo debe entregarse?

Restricciones:
¿Qué debe evitar o respetar?

Criterios:
¿Qué hace que la respuesta sea buena?

Podemos imaginar estas piezas como bloques que añadimos solamente cuando aportan información útil.

1. Definir el objetivo

Antes de escribir un prompt conviene preguntarse: ¿qué resultado quiero obtener?

Una solicitud vaga sería:

Háblame de ciberseguridad.

El modelo tiene muchas formas posibles de interpretar esa petición.

Podemos mejorarla:

Explícame los cinco riesgos de
ciberseguridad más importantes
que debería conocer una persona
que empieza a utilizar Internet.

Ahora el objetivo es mucho más específico.

2. Añadir contexto útil

El contexto proporciona información que el modelo necesita para resolver correctamente la tarea.

Supongamos que queremos mejorar un correo.

Prompt poco claro:

Mejora este correo.

Una versión con contexto:

Este correo será enviado a un cliente
que solicitó información sobre un servicio.

Quiero que suene profesional,
amable y directo.

Mantén todos los datos importantes
del texto original.

El contexto ayuda a reducir interpretaciones que no corresponden al caso real.

3. Indicar la audiencia

La misma explicación puede necesitar niveles de detalle muy diferentes según quién vaya a leerla.

Explica qué es una API
para una persona que nunca
ha programado.

Es diferente a:

Explica REST API
para un desarrollador junior
que ya conoce HTTP.

Definir la audiencia ayuda al modelo a elegir vocabulario, ejemplos y profundidad apropiados.

4. Especificar el formato de salida

Si necesitas un formato concreto, es mejor pedirlo explícitamente.

Por ejemplo:

Resume el texto en:

1. Una idea principal.
2. Tres puntos clave.
3. Una conclusión breve.

También puedes solicitar:

• Una tabla.
• Una lista numerada.
• JSON.
• Un correo.
• Una explicación paso a paso.
• Un bloque de código.

El formato debe tener relación con el uso que darás al resultado.

5. Añadir restricciones útiles

Las restricciones indican qué límites debe respetar la respuesta.

Máximo 150 palabras.

No utilices lenguaje técnico
sin explicarlo.

No agregues datos que no estén
en el documento proporcionado.

Las restricciones funcionan mejor cuando son claras y tienen una razón concreta.

Zero-shot: pedir una tarea sin ejemplos

Se suele utilizar el término zero-shot cuando pedimos una tarea sin proporcionar ejemplos específicos del resultado.

Clasifica este comentario como
positivo, neutral o negativo:

"El producto funciona bien,
pero el envío tardó demasiado."

El modelo recibe las instrucciones y debe aplicar la tarea sin ver primero ejemplos resueltos.

Para muchas tareas sencillas esto puede ser suficiente.

Few-shot: enseñar mediante ejemplos

En few-shot prompting proporcionamos algunos ejemplos de entrada y salida para mostrar el patrón esperado.

Clasifica como positivo,
neutral o negativo.

Ejemplo 1:
"Excelente servicio"
→ positivo

Ejemplo 2:
"El producto llegó"
→ neutral

Ejemplo 3:
"Me cobraron dos veces"
→ negativo

Ahora clasifica:
"Funciona, pero esperaba más"

Los ejemplos pueden ser especialmente útiles cuando el formato o los criterios de clasificación no son obvios.

Mejorar un prompt por iteraciones

Prompt engineering suele ser un proceso de prueba y mejora.

En lugar de intentar crear el prompt perfecto a la primera, puedes:

1. Escribir una versión sencilla.
2. Observar el resultado.
3. Identificar qué salió mal.
4. Cambiar una parte concreta.
5. Volver a comparar.

Supongamos que el primer prompt es:

Explica inteligencia artificial.

La respuesta es demasiado general.

Segunda versión:

Explica inteligencia artificial
para un principiante en cinco
párrafos cortos.

Ahora es más clara, pero quizá todavía falta un ejemplo.

Tercera versión:

Explica inteligencia artificial
para un principiante.

Usa cinco párrafos cortos,
incluye dos ejemplos cotidianos
y termina con tres conceptos
que debería aprender después.

El proceso de mejora se basa en observar problemas concretos.

Prompts para resumir

Pedir simplemente “resume esto” deja varias decisiones abiertas.

Una versión más precisa:

Resume el siguiente texto
para una persona principiante.

Máximo 120 palabras.

Conserva:
- la idea principal;
- los conceptos fundamentales;
- cualquier advertencia importante.

No añadas información externa.

Si el documento es importante, debemos revisar que el resumen no haya eliminado detalles esenciales.

Prompts para extraer información

Un modelo también puede utilizarse para identificar datos dentro de texto.

Por ejemplo:

Extrae del siguiente texto:

- nombre del producto;
- precio;
- cantidad;
- fecha.

Devuelve únicamente JSON.

Si un dato no aparece,
utiliza null.

Especificar qué debe ocurrir cuando falta información ayuda a obtener salidas más predecibles.

Prompts para clasificación

Podemos pedir al modelo que asigne una categoría según criterios definidos.

Clasifica el mensaje en una categoría:

- facturación
- soporte técnico
- devolución
- otra

Mensaje:
"No puedo entrar a mi cuenta."

Devuelve:
categoría + explicación de una oración.

En sistemas reales conviene comprobar la consistencia de estas clasificaciones con un conjunto representativo de ejemplos.

Prompts para programación

Al pedir ayuda con código conviene proporcionar suficiente contexto.

Prompt demasiado general:

Mi código no funciona.

Prompt más útil:

Estoy aprendiendo Python.

Este código debería calcular
el promedio de tres notas,
pero devuelve un resultado incorrecto.

[pegar código]

Explícame primero cuál es el error.
Después muestra únicamente
la línea corregida.

Indicar el comportamiento esperado es especialmente importante al depurar.

Prompts para generación de imágenes

En generación visual suele ser útil describir diferentes aspectos de la imagen.

Por ejemplo:

• Sujeto principal.
• Entorno.
• Composición.
• Iluminación.
• Perspectiva.
• Estilo visual.
• Elementos que deben aparecer.
• Elementos que deben evitarse.

Ilustración educativa de una laptop
sobre un escritorio limpio.

Vista ligeramente superior.

Pantalla mostrando código sencillo.

Iluminación suave y natural.

Estilo moderno y profesional.

Sin texto dentro de la imagen.

Al igual que con texto, conviene describir el objetivo visual en vez de acumular adjetivos sin una función clara.

Crear plantillas reutilizables

Si realizas frecuentemente la misma tarea, puedes transformar un prompt en una plantilla.

Objetivo:
[describe la tarea]

Contexto:
[información necesaria]

Audiencia:
[tipo de lector]

Formato:
[estructura esperada]

Extensión:
[límite aproximado]

Restricciones:
[qué debe respetar]

Criterios de calidad:
[qué debe cumplir]

Después solamente sustituyes los campos variables.

Esto ayuda a mantener consistencia en tareas repetitivas.

¿Cómo evaluar si un prompt funciona?

No deberíamos juzgar un prompt solamente porque una respuesta “suena bien”.

Podemos evaluar varios criterios.

Exactitud

¿La información es correcta?

Relevancia

¿Responde realmente a lo solicitado?

Formato

¿Respeta la estructura indicada?

Completitud

¿Incluye todos los elementos necesarios?

Claridad

¿El lenguaje corresponde a la audiencia?

Consistencia

Si ejecutamos la tarea varias veces o con datos similares, ¿obtenemos resultados razonablemente estables?

¿Puede un mejor prompt evitar información inventada?

Un prompt puede reducir ciertas situaciones, pero no elimina por completo la posibilidad de que un modelo produzca información incorrecta.

Podemos incluir instrucciones como:

Utiliza únicamente la información
del documento proporcionado.

Si la respuesta no aparece,
indica:
"No se encuentra en el documento".

Esto puede ayudar, especialmente cuando trabajamos con un contexto específico.

Sin embargo, cuando la exactitud importa seguimos necesitando verificar el resultado.

Seguridad y privacidad

La calidad del prompt no es el único aspecto importante. También debemos considerar qué información estamos proporcionando.

Evita incluir innecesariamente:

• Contraseñas.
• Claves privadas.
• Datos bancarios.
• Información personal sensible.
• Documentos confidenciales.
• Credenciales internas.

Antes de utilizar información sensible con un servicio, revisa cómo procesa, conserva y protege los datos.

Prompt injection

En aplicaciones donde un modelo procesa contenido externo, también puede existir riesgo de que ese contenido incluya instrucciones diseñadas para alterar el comportamiento del sistema.

Por eso las aplicaciones profesionales no deberían depender solamente de un prompt para controlar permisos o seguridad.

Errores comunes al crear prompts

Ser demasiado vago

Hazlo mejor.

El sistema necesita saber qué significa “mejor” para esa tarea.

Pedir demasiadas tareas diferentes a la vez

Una instrucción con muchos objetivos mezclados puede ser difícil de seguir. En algunos casos conviene dividir el trabajo en etapas.

No indicar la audiencia

Una explicación para un experto no debería tener la misma profundidad que una explicación introductoria.

Utilizar instrucciones contradictorias

Explícalo en máximo 50 palabras
y desarrolla cada punto con
muchísimo detalle.

Estas restricciones compiten entre sí.

Agregar contexto irrelevante

Más información no siempre es mejor. Debemos incluir la información que ayuda a resolver la tarea.

Esperar que el prompt garantice exactitud

Un prompt más claro puede mejorar el resultado, pero no convierte al modelo en una fuente infalible.

Háblame de ciberseguridad.

Explica los fundamentos de
ciberseguridad para una persona
que utiliza Internet todos los días
pero no tiene conocimientos técnicos.

Objetivo:
que pueda reconocer riesgos básicos
y mejorar sus hábitos.

Organiza la respuesta en:
1. Contraseñas
2. Phishing
3. Actualizaciones
4. Redes Wi-Fi
5. Copias de seguridad

Incluye un ejemplo cotidiano
de phishing.

Termina con una advertencia
sobre compartir datos personales.

Máximo 400 palabras.

Preguntas frecuentes

Conclusión

El prompt engineering consiste en diseñar instrucciones que permitan comunicar de forma clara qué resultado queremos obtener de un sistema de inteligencia artificial.

Un prompt útil puede definir el objetivo, aportar contexto, indicar la audiencia, establecer el formato y añadir restricciones cuando sean necesarias.

También es importante probar diferentes versiones y evaluar el resultado con criterios concretos. La primera respuesta no tiene por qué ser la mejor, y pequeñas modificaciones pueden cambiar significativamente la salida.

Sin embargo, ningún prompt elimina las limitaciones del modelo. La verificación, la privacidad, los permisos y la seguridad siguen siendo necesarias cuando utilizamos inteligencia artificial en tareas reales.