--- title: "Ingeniería de prompts" source: "https://systems-analysis.info/int/Ingenier%C3%ADa_de_prompts" wiki: "systems-analysis.info/int" article: "Ingeniería_de_prompts" language: "es" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Spanish" revision_id: 3233 wiki_created_at: 2026-09-06T23:17:40Z wiki_modified_at: 2026-09-06T23:17:40Z downloaded_at: 2026-09-07T22:55:52Z --- # Ingeniería de prompts La **ingeniería de prompts** es la disciplina de diseñar y optimizar prompts (instrucciones o peticiones) para interactuar eficazmente con modelos de lenguaje grandes (LLM). La calidad de un prompt determina directamente la precisión, relevancia y seguridad de la respuesta del modelo. Este campo está evolucionando rápidamente, pasando de la selección manual de instrucciones a la creación de sistemas de agentes complejos y el uso de modelos con mecanismos de razonamiento integrados. ## Principios básicos y estructura de un prompt Aunque no existe un estándar único, los prompts efectivos se basan en enfoques comunes propuestos por diferentes investigadores y empresas (por ejemplo, las 6 estrategias de OpenAI o las guías prácticas de Anthropic). - Un prompt efectivo a menudo incluye los siguientes componentes: - Rol (*Persona*): Establece el contexto y el estilo de comportamiento del modelo (*"Eres un investigador sénior..."*). - Instrucciones (*Instructions*): Indicaciones claras y paso a paso sobre lo que se debe hacer. - Contexto (*Context*): Información necesaria para completar la tarea. - Ejemplos (*Examples*): Demostración del formato o estilo deseado (prompting de pocos ejemplos o *few-shot prompting*). - Formato de salida (*Output Format*): Especificación de la estructura de la respuesta (por ejemplo, JSON, Markdown). ## Técnicas para mejorar el razonamiento (Reasoning) Estas técnicas hacen que el modelo "piense" de manera más estructurada.*Nota importante (Emergencia): La efectividad de la técnica \`Chain‑of‑Thought\` solo se manifiesta en modelos grandes (aproximadamente 100 mil millones de parámetros o más); los modelos más pequeños muestran un efecto insignificante o incluso un empeoramiento de los resultados.* - **Cadena de pensamiento (Chain-of-Thought, CoT):** Instruir al modelo para que genere un razonamiento paso a paso antes de dar la respuesta final ("Piensa paso a paso"). - Variaciones y alternativas a CoT: - **Autoconsistencia (Self-Consistency):** Generar múltiples cadenas de razonamiento y elegir la respuesta más frecuente mediante "votación". - **Árbol de pensamientos (Tree-of-Thoughts, ToT):** Explorar múltiples rutas de razonamiento en forma de árbol, con evaluación y retroceso a pasos anteriores. - **Grafo de pensamientos (Graph-of-Thought, GoT):** Una técnica avanzada con dos implementaciones principales: una modela el razonamiento como un grafo para flujos lógicos más flexibles (Besta et al.), mientras que la otra se centra en fusionar rutas de razonamiento (Yao et al.). - Mecanismos de razonamiento integrados (Reasoning Models)**:** Se ha informado sobre el desarrollo de una nueva generación de modelos (como *o1* y *o3* de OpenAI) que se entrenan desde el principio con cadenas de razonamiento internas. Esto les permite realizar tareas complejas sin necesidad de un prompt explícito de tipo CoT. ## Gestión del contexto y la memoria Con el aumento de las ventanas de contexto, surgen nuevos desafíos y soluciones. - **Ventanas de contexto (2024-2025):** | Modelo | Ventana de contexto máxima | |-----------------------------|----------------------------| | Google Gemini 2.0 Pro | 2 millones de tokens | | Google Gemini 1.5 Pro | 2 millones de tokens | | Anthropic Claude 3.5 Sonnet | ~200 mil tokens | | OpenAI GPT-4o | ~128 mil tokens | A partir de marzo de 2025, se presenta Google Gemini 2.5 Pro con una ventana de contexto de 1 millón de tokens, y la versión Pro-Experimental promete 2 millones de tokens en mayo de 2025. - **Generación aumentada por recuperación (Retrieval-Augmented Generation, RAG)**: **El RAG clásico complementa el prompt con información de bases de datos externas. Las implementaciones modernas incluyen:** - **GraphRAG:** Utiliza grafos de conocimiento para extraer datos semánticamente más relacionados. - **RAG multimodal:** Funciona no solo con texto, sino también con imágenes, audio y video. - **RAG agéntico:** Integra RAG en ciclos de agentes, donde un agente decide de forma autónoma cuándo y qué información buscar. - **Técnicas para contextos largos:** Para trabajar eficazmente con ventanas grandes, se utilizan técnicas avanzadas, a menudo propietarias, como **Cascading KV Cache** e **Infinite Retrieval**. ## Técnicas avanzadas: agentes y herramientas - Uso de herramientas (Tool Usage): - **Llamada a funciones (Function Calling):** Capacidad integrada en los modelos (GPT-4, Claude 3.5) para invocar API externas. - **Protocolo de Contexto de Modelo (Model Context Protocol, MCP):** Según algunos informes preliminares (requiere confirmación), se está desarrollando un nuevo estándar para unificar las API de herramientas, respaldado por Microsoft. - Agentes y frameworks (2024-2025): - **LangChain (v0.3):** Con el lanzamiento de LangChain v0.3 (septiembre de 2024), el framework migró completamente a Pydantic 2 y finalizó el soporte para Python 3.8, coincidiendo con su fecha de fin de vida (EOL) en octubre de 2024.[\[1\]](https://systems-analysis.info/int/Ingenier%C3%ADa_de_prompts#cite_note-1) - **AutoGen:** Ha migrado completamente a una arquitectura asíncrona y orientada a eventos (modelo de actor). - **CrewAI:** Un framework de alto rendimiento que está ganando popularidad rápidamente para la orquestación de sistemas multiagente. - Plataformas sin código (no-code): Herramientas como AutoGen Studio permiten crear y configurar agentes complejos sin escribir código. ## Técnicas para reducir las alucinaciones Las alucinaciones (la generación de información objetivamente incorrecta) siguen siendo un problema clave. Según datos de 2024, su tasa varía entre el 3% y el 16% en los modelos líderes, y el daño económico que causan se estima en decenas de miles de millones de dólares. - **Métodos clásicos:** RAG, solicitud de citas, ajuste de parámetros de generación (temperatura, top-p). - **Enfoques modernos de alineación (Alignment):** - **IA Constitucional (Constitutional AI, CAI):** Un método propuesto por Anthropic donde el modelo aprende a seguir un conjunto de principios (una "constitución"), utilizando retroalimentación generada por IA. - **Optimización Directa de Preferencias (Direct Preference Optimization, DPO):** Una alternativa más simple y eficiente que RLHF. Las investigaciones sobre DPO en modelos de lenguaje y visión multimodales (VLMs), por ejemplo, para informes radiológicos, registran una reducción de las alucinaciones de 3 a 4.8 veces. ## Patrones de prompts: estado actual Muchos patrones (Persona, Output Customization) siguen siendo relevantes. - **Requieren ser reconsiderados:** - **Patrón de lista de verificación de hechos (Fact Check List Pattern):** Considerado poco fiable. Los modelos tienen dificultades para autoverificar hechos a través de prompts y requieren integración con sistemas de verificación externos. - **Nuevos patrones (2024-2025):** - **Meta-prompting:** El uso de un LLM para generar y optimizar prompts para otro LLM. - **Prompts de Mezcla de Expertos (Mixture-of-Experts, MoE):** Creación de prompts que se dirigen dinámicamente a diferentes partes "expertas" del modelo. - **Patrones multimodales:** Estructuras de prompts que incluyen texto, imágenes y otros tipos de datos para consultas complejas. ## Enlaces externos - Guía de Ingeniería de Prompts de Anthropic - Guía de Ingeniería de Prompts de OpenAI - Guía de Prompts de Google - PromptingGuide.ai - Amazon Bedrock ## Bibliografía - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190. - Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786. - Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073. - Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493. - Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625. - Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. arXiv:2305.18290. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [2]. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF. - Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844. ## Referencias 1. [↑](https://systems-analysis.info/int/Ingenier%C3%ADa_de_prompts#cite_ref-1) «LangChain v0.3». https://python.langchain.com/docs/versions/v0_3/.[1]