Glosario de IA Models & Architecture
¿Qué es el prompt engineering?
← Todos los términos del glosarioLa práctica de diseñar y probar las instrucciones que se dan a un modelo de lenguaje para que sus respuestas sean mejores y más consistentes.
Explicación
El prompt engineering es la práctica de redactar, estructurar y probar las entradas que recibe un modelo de lenguaje (LLM) para que dé respuestas fiables y útiles. Incluye instrucciones claras, ejemplos resueltos (few-shot), razonamiento paso a paso (chain of thought), roles y formatos de salida estructurados como JSON. En una empresa no se trata de dar con la frase ingeniosa, sino de método: definir qué es una buena respuesta, montar un conjunto de casos de prueba y ajustar el prompt hasta que los supere. Suele ser la forma más barata de mejorar el comportamiento de un modelo antes de plantearse un fine-tuning o cambiar de modelo.
Cómo funciona
Un prompt es todo lo que el modelo lee antes de responder: las instrucciones, el contexto, los ejemplos y la pregunta del usuario. Un cambio pequeño en ese texto puede cambiar la respuesta, así que el prompt engineering trata el prompt como algo que se diseña y se prueba, no que se improvisa.
El ciclo habitual es sencillo: escribes una primera versión, la pruebas con casos reales, miras dónde falla y la ajustas. Casi todo el esfuerzo está en los casos de prueba, porque sin ellos no sabes si un cambio ha mejorado algo.
Técnicas habituales
- Instrucciones claras y concretas: la tarea, el público, el formato y la extensión.
- Ejemplos few-shot: unos pocos pares de entrada y salida que muestran la respuesta esperada.
- Chain of thought: pedir al modelo que razone paso a paso antes de dar la respuesta final.
- Roles y system prompts: fijar quién es el modelo y qué reglas sigue.
- Salida estructurada: pedir JSON o una plantilla fija que un programa pueda leer.
- Encadenar prompts: dividir una tarea compleja en varios prompts más pequeños.
Prompt engineering, fine-tuning y context engineering
El prompt engineering cambia las instrucciones; el fine-tuning cambia los pesos del modelo con datos de entrenamiento adicionales. Iterar con prompts es más rápido y barato, por eso suele ir primero. El fine-tuning tiene sentido cuando el comportamiento es estable, el volumen es alto y los prompts ya no dan más de sí.
El context engineering es la disciplina más amplia que decide qué información llega al modelo en cada paso: documentos recuperados, resultados de herramientas, memoria e historial. En agentes y sistemas RAG, el prompt es solo una parte de ese contexto.
Preguntas frecuentes
¿Qué es el prompt engineering en pocas palabras?
Es aprender a pedirle a un modelo de lenguaje lo que necesitas. Escribes instrucciones claras, añades ejemplos y contexto, y pruebas el resultado hasta que el modelo responde bien y de forma consistente.
¿Sigue siendo útil el prompt engineering con los modelos nuevos?
Sí, aunque ha cambiado. Los modelos nuevos necesitan menos trucos, pero siguen dependiendo de instrucciones claras, buen contexto y un formato de salida definido. En producción, probar los prompts con casos reales importa más que nunca.
¿Cuáles son las técnicas principales de prompt engineering?
Las más comunes son las instrucciones claras, los ejemplos few-shot, el razonamiento chain of thought, los prompts de rol o de sistema, la salida estructurada y dividir la tarea en una cadena de prompts. Cuáles ayudan depende de la tarea y del modelo.
¿Cuándo conviene hacer fine-tuning en vez de prompt engineering?
Empieza por los prompts, porque son más baratos y rápidos de cambiar. Plantéate el fine-tuning cuando necesites un estilo o un formato estable con mucho volumen, cuando los prompts se vuelvan demasiado largos o caros, o cuando ya no mejoren los resultados.
¿Cómo se prueba un prompt?
Reúne un conjunto de entradas representativas con las respuestas esperadas o los criterios de calidad, ejecuta el prompt sobre ellas y puntúa los resultados. Repite tras cada cambio y guarda ese conjunto como referencia cuando cambies de modelo.
Guías de decisión que usan este término
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Anthropic · Prompt engineering overview (en inglés)
- Wei et al. · Chain-of-thought prompting elicits reasoning in large language models (arXiv) (en inglés)
- Brown et al. · Language models are few-shot learners (arXiv) (en inglés)
- Google AI for Developers · Prompt design strategies (Gemini API) (en inglés)
Actualizado: 2026-10-21