--- title: "Meta Prompting (ES)" source: "https://systems-analysis.info/int/Meta_Prompting_(ES)" wiki: "systems-analysis.info/int" article: "Meta_Prompting_(ES)" language: "es" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Spanish" revision_id: 4248 wiki_created_at: 2026-09-06T23:32:37Z wiki_modified_at: 2026-09-06T23:32:37Z downloaded_at: 2026-09-07T23:01:38Z --- # Meta Prompting (ES) **Meta-prompting** (del inglés *meta-prompting*) es un método avanzado de ingeniería de prompts en el que los grandes modelos de lenguaje (LLM) se utilizan para crear, ajustar y optimizar sus propias instrucciones (prompts)[\[1\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-cookbook_openai-1). A diferencia de los enfoques tradicionales, donde una persona escribe manualmente instrucciones detalladas, el meta-prompting se centra en definir la **estructura de la solución del problema** y los roles que el modelo debe desempeñar. En otras palabras, describe *cómo* resolver el problema, en lugar de *qué* hacer exactamente en cada caso específico[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-intuition_labs-2). Este enfoque permite a los LLM descomponer problemas complejos de forma autónoma, refinar las consultas y mejorar iterativamente sus respuestas, lo que abre el camino para la creación de sistemas de inteligencia artificial más autónomos y adaptables. ## Métodos y enfoques principales El término «meta-prompting» se popularizó en la literatura científica a finales de 2023 y principios de 2024, cuando varios grupos de investigación presentaron enfoques similares para la gestión de LLM. ### Método de "andamiaje" (Scaffolding) Uno de los enfoques clave fue propuesto por investigadores de la Universidad de Stanford y OpenAI[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-suzgun2024-3). En este esquema, denominado **scaffolding**, el mismo modelo de lenguaje (GPT-4 en los experimentos) desempeña varios roles simultáneamente: - **Director (Conductor)**: Recibe el meta-prompt de alto nivel y descompone la tarea compleja en una serie de subtareas más simples. - **Expertos (Experts)**: El "director" inicializa varias de sus instancias-"expertos", cada una de las cuales resuelve una subtarea específica según instrucciones especialmente diseñadas. - **Integración**: El "director" coordina el trabajo de los "expertos" e integra sus respuestas en la solución final. Este enfoque de orquestación permitió aumentar significativamente la eficacia en la resolución de problemas complejos. Por ejemplo, en los experimentos, el meta-prompting superó a las consultas de un solo paso en un **17,1 %** y a otros métodos avanzados en un 15-17 % en conjuntos de tareas que requerían razonamiento multicomponente (por ejemplo, el juego del "24", acertijos de ajedrez)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-suzgun2024-3). Es importante destacar que este método es independiente de la tarea y funciona en modo *zero-shot*, sin requerir ejemplos específicos para cada nueva tarea. ### Enfoque teórico y plantillas estructurales Paralelamente, un grupo de investigadores de la Universidad de Tsinghua propuso su propio concepto de meta-prompting, desplazando el enfoque de la parte sustantiva de la tarea a su **sintaxis y forma** de presentación de datos[\[4\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-zhang2024-4). Basándose en un modelo categórico, demostraron que una descripción abstracta de la estructura del problema permite al modelo construir razonamientos cercanos en profundidad a los humanos y descomponer eficazmente cuestiones complejas en pasos más simples. ### Conceptos relacionados Las ideas del meta-prompting también se manifiestan en otros métodos: - **Automatic Prompt Engineer (APE)**: Un método en el que un LLM genera y selecciona automáticamente instrucciones eficaces para sí mismo, evaluándolas según la calidad de los resultados obtenidos[\[5\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-ape2022-5). - **Self-Refine**: Un enfoque en el que el modelo mejora iterativamente su respuesta, analizando críticamente la versión anterior y generando correcciones basadas en esa crítica[\[6\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-self_refine2023-6). ## Aplicaciones y ventajas El meta-prompting ha demostrado una alta eficacia en tareas que requieren un razonamiento complejo y multicomponente, como demostraciones matemáticas, programación y resolución de acertijos paso a paso. Las ventajas clave del método son: - **Eficiencia de tokens**: Centrarse en la estructura general de la tarea en lugar de enumerar múltiples ejemplos reduce el tamaño del prompt. Un meta-prompt es una plantilla universal que requiere menos tokens[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-prompting_guide-7). - **Estabilidad e imparcialidad**: El método evita la dependencia de ejemplos específicos, lo que hace que el modelo sea menos propenso a sesgos hacia particularidades de las muestras de entrenamiento[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-prompting_guide-7). - **Adaptación dinámica**: A diferencia de un prompt estático, el meta-prompting permite una mejora iterativa. El modelo puede refinar las instrucciones sobre la marcha, solicitar información faltante y ajustar la estrategia[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-intuition_labs-2). - **Generalización a nuevas tareas**: Las instrucciones de alto nivel se transfieren más fácilmente a tareas nuevas y nunca antes vistas, lo que convierte al meta-prompting en una forma avanzada del enfoque *zero-shot*. ## Limitaciones y riesgos - **Costo y complejidad computacional**: El método requiere múltiples llamadas al modelo para una sola tarea, lo que aumenta el consumo de tiempo y las solicitudes de API. Las implementaciones actuales funcionan de manera secuencial, lo que dificulta la paralelización[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-decoder_article-8). - **Dependencia de las capacidades del modelo**: La eficacia del meta-prompting depende en gran medida de la calidad del LLM base. Las investigaciones han demostrado que GPT-3.5 apenas se beneficia de este método, mientras que para GPT-4 y modelos posteriores, el beneficio aumenta notablemente[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-decoder_article-8). - **Limitaciones fundamentales de los LLM**: El meta-prompting no es una panacea. Si la tarea excede los conocimientos del modelo base, ni siquiera un meta-prompt perfectamente formulado garantiza un resultado correcto. En tales casos, se requiere un reentrenamiento o la integración con herramientas externas (por ejemplo, búsqueda en internet o un intérprete de código)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_note-suzgun2024-3). ## Enlaces externos - Ejemplo de meta-prompting en el OpenAI Cookbook - Descripción del método en la Prompt Engineering Guide ## Bibliografía - Suzgun, M.; Kalai, A. T. (2024). *Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding*. arXiv:2401.12954. - Zhang, Y.; Yuan, Y.; Yao, A. C.-C. (2023). *Meta Prompting for AGI Systems*. arXiv:2311.11482. - Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Ning, X. et al. (2023). *Skeleton-of-Thought: Prompting LLMs for Efficient Parallel Generation*. arXiv:2307.15337. - Chen, X. et al. (2023). *Universal Self-Consistency for Large Language Model Generation*. arXiv:2311.17311. - Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171. - Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797. - Zhou, P. et al. (2024). *Self-DISCOVER: Large Language Models Self-Compose Reasoning Structures*. arXiv:2402.03620. - Chen, J. et al. (2024). *Thought-Augmented Reasoning with Large Language Models*. arXiv:2406.04271. ## Referencias 1. [↑](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-cookbook_openai_1-0) «Enhance your prompts with meta prompting». *OpenAI Cookbook*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-intuition_labs_2-0) [2.1](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-intuition_labs_2-1) «Meta-Prompting: LLMs Crafting & Enhancing Their Own Prompts». *Intuition Labs*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-suzgun2024_3-0) [3.1](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-suzgun2024_3-1) [3.2](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-suzgun2024_3-2) Suzgun, Mirac; Kalai, Adam T. (2024). «Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding». *arXiv:2401.12954*. 4. [↑](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-zhang2024_4-0) Zhang, Yifan, et al. (2023). «Meta Prompting for AGI Systems». *arXiv:2311.11482*. 5. [↑](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-ape2022_5-0) Zhou, Y., et al. (2022). «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*. 6. [↑](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-self_refine2023_6-0) Madaan, A., et al. (2023). «Self-Refine: Iterative Refinement with Self-Feedback». *arXiv:2303.17651*. 7. ↑ [7.0](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-prompting_guide_7-0) [7.1](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-prompting_guide_7-1) «Meta Prompting». *Prompt Engineering Guide*. [3] 8. ↑ [8.0](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-decoder_article_8-0) [8.1](https://systems-analysis.info/int/Meta_Prompting_(ES)#cite_ref-decoder_article_8-1) «AI within an AI: Meta-prompting can improve the reasoning capabilities of large language models». *The Decoder*.