Dos personas le hacen la misma pregunta a la misma IA y obtienen respuestas muy distintas - porque preguntaron diferente. La ingeniería de prompts es la habilidad de escribir la entrada para que un gran modelo de lenguaje dé una salida precisa y útil en vez de relleno vago. Esta guía explica qué es la ingeniería de prompts, las técnicas que de verdad funcionan, cómo se aplica al código, y dónde acaba el bombo.
Qué es la ingeniería de prompts
Un LLM responde exactamente a lo que pides y a cómo lo pides. La redacción, el contexto, los ejemplos y la estructura de tu prompt moldean fuertemente el resultado. La ingeniería de prompts es moldear esa entrada deliberadamente - ser específico, dar contexto, mostrar ejemplos, pedir un formato - en vez de escribir una pregunta vaga y esperar.
Es menos «programación» y más comunicación clara y estructurada con un sistema que te toma al pie de la letra. (Para lo que hace el modelo debajo, mira qué es un LLM.)
Las técnicas que funcionan
- Sé específico sobre la tarea y la salida que quieres - elimina la ambigüedad.
- Da contexto - antecedentes, restricciones, audiencia, los datos reales.
- Muestra ejemplos de entrada→salida que quieres (few-shot).
- Asigna un rol - «eres un revisor senior de Python».
- Especifica el formato - JSON, tabla, viñetas.
- Pide razonamiento paso a paso en problemas complejos.
- Itera - refina el prompt según lo que volvió.
Ninguna es un truco; cada una elimina la ambigüedad para que el modelo tenga lo que necesita.
Zero-shot, few-shot, chain-of-thought
Unos pocos patrones con nombre cubren la mayor parte de lo que funciona:
- Zero-shot - describes la tarea sin ejemplos. Vale para peticiones simples y comunes que el modelo ha visto incontables veces.
- Few-shot - incluyes unos ejemplos entrada→salida en el prompt. El modelo imita el patrón, lo que mejora mucho la consistencia en formato y casos límite.
- Chain-of-thought - pides al modelo razonar paso a paso antes de responder. Ayuda en lógica de varios pasos, matemáticas y depuración, donde saltar a la respuesta es propenso a errores.
- Rol / system prompt - fijas un personaje y reglas de entrada («eres un revisor de seguridad sénior; señala riesgos, cita la línea»). Ancla el tono y las prioridades de todo el intercambio.
- Salida estructurada - especificas un esquema exacto (claves JSON, una tabla) para un resultado usable por máquina, no prosa que re-analizar.
Usa few-shot cuando importa el formato, chain-of-thought cuando importa el razonamiento, y un rol + salida estructurada cuando vayas a reinyectar el resultado en otra cosa.
La ingeniería de prompts para el código
Con los asistentes de código, los buenos prompts transforman la calidad:
- Pega el código y los mensajes de error reales en vez de describirlos.
- Indica el lenguaje, el framework y las versiones.
- Especifica las restricciones - rendimiento, estilo, sin nuevas dependencias.
- Pide pruebas o explicaciones junto al código.
- Divide las tareas grandes en pasos más pequeños y bien definidos.
Aportar contexto real - la función real, la traza de pila real - es la mayor palanca. También por eso el RAG, que alimenta al modelo con tu código real, mejora la precisión, y por qué el asistente de código IA adecuado con buenos prompts supera a cualquiera por separado.
La parte honesta: habilidad, no magia
Los fundamentos - claridad, contexto, ejemplos, estructura - mejoran de verdad los resultados en todos los modelos y no van a desaparecer. Lo que se sobrevende es tratar los prompts como conjuros secretos o una profesión permanente. A medida que los modelos entienden mejor la intención, los trucos quisquillosos importan menos mientras la comunicación clara y el buen contexto importan más. Es una alfabetización práctica para trabajar con IA, no palabras mágicas.
Errores comunes que arruinan un prompt
La mayoría de los resultados flojos vienen de unos pocos errores evitables:
- Ser vago. «Mejora esto» no da ninguna diana; di qué significa «mejor».
- Sin ejemplos cuando importa la forma de salida - el modelo adivina el formato y falla.
- Sobrecargar un solo prompt con cinco peticiones sin relación; sepáralas para que cada una reciba toda la atención.
- Ocultar el contexto real - describir el código o los datos en vez de pegarlos.
- No especificar el formato, y luego rehacer el trabajo para darle forma.
- Rendirse tras un intento en vez de afinar; el segundo prompt, nutrido de la primera respuesta, suele ser el bueno.
Corregir cualquiera de estos suele lograr más que cualquier frase ingeniosa.
En resumen
La ingeniería de prompts es moldear deliberadamente tu entrada para que un LLM responda bien - instrucciones específicas, contexto real, ejemplos, formato explícito, e iteración. Para el código, pegar el código real y las restricciones supera a la descripción vaga siempre. Los principios se transfieren entre modelos aunque los detalles quisquillosos cambien. Aprende los fundamentos, sáltate la mística: es comunicación clara con una máquina literal, y es una habilidad que vale la pena tener.
Guías relacionadas: ¿Qué es una red neuronal? El motor de la IA moderna (2026).
