Qué es prompt engineering
Prompt engineering es el arte y técnica de escribir instrucciones efectivas (prompts) para modelos de lenguaje grandes (LLMs) como ChatGPT, Claude, Gemini. Es la habilidad clave para obtener buenos resultados de IA en tareas reales.
Un mismo modelo puede dar resultados radicalmente distintos según cómo le pidas las cosas.
Por qué importa
Los LLMs son muy sensibles al prompt. La diferencia entre:
❌ “Escríbeme texto para mi web”
✅ “Eres un copywriter B2B experto. Escribe la sección hero de la home de IMPERO, agencia digital en Aldea del Fresno especializada en webs Astro + Cloudflare. Audiencia: dueños de pyme española de 1-50 empleados. Tono: directo, sin jerga marketinera. Estructura: H1 contundente (max 12 palabras) + subtítulo (max 25 palabras) + 3 puntos de valor diferencial (max 8 palabras cada uno).”
es la diferencia entre texto inútil y texto profesional.
Componentes de un buen prompt
1. Rol / contexto
“Eres un copywriter experto en B2B SaaS”
2. Tarea específica
“Escribe el copy de un email de bienvenida”
3. Audiencia
“Para clientes nuevos de una herramienta de gestión de proyectos para pymes”
4. Restricciones
“Máximo 150 palabras. Tono directo, sin tecnicismos. Sin emojis.”
5. Formato esperado
“Estructura: saludo personalizado, 3 puntos clave, CTA al final.”
6. Ejemplos (few-shot)
“Aquí tienes 2 ejemplos de emails similares: [ejemplo 1] [ejemplo 2]“
Técnicas avanzadas
Chain of Thought (CoT)
Pedir al modelo que razone paso a paso antes de responder:
“Para responder, primero analiza el problema, luego identifica las opciones, evalúa pros/contras, y finalmente da tu recomendación.”
Mejora drásticamente respuestas en tareas complejas.
Few-shot learning
Dar 2-5 ejemplos del tipo de output que quieres:
Input: "perro"
Output: { "animal": "perro", "tipo": "mamífero", "doméstico": true }
Input: "águila"
Output: { "animal": "águila", "tipo": "ave", "doméstico": false }
Input: "salmón"
Output: ?El modelo aprende el patrón y aplica.
Role assignment
“Eres un médico especialista…” da respuestas con vocabulario médico apropiado. “Eres un niño de 8 años…” da respuestas simples y juguetonas.
Ajusta el rol al contexto deseado.
Constraints específicos
“Responde en MÁXIMO 100 palabras” “Solo usa palabras de uso común en español ibérico” “No uses metáforas” “Estructura: 3 párrafos exactos”
Los LLMs respetan razonablemente bien estas constraints.
Negative prompting
“NO uses jerga técnica” “NO inventes datos numéricos específicos” “NO menciones competidores”
Importante para evitar comportamientos no deseados.
Antipatrones (lo que NO funciona)
Prompts vagos
“Hazlo mejor” - mejor qué exactamente?
Múltiples tareas en uno
“Resume este texto, tradúcelo, y dame una opinión personal y oh también encuentra errores” - el modelo hace una cosa bien, las otras mal.
Ambigüedad
“¿Esto está bien?” - bien para qué? según qué criterios?
Pedir cosas que el modelo no puede hacer
“Dame datos en tiempo real del IBEX 35” - el modelo no tiene internet.
Casos de uso prácticos
Generación de contenido
Briefing claro + estructura + ejemplos + restricciones.
Análisis
“Analiza estos 10 reviews. Categoriza por sentimiento (positivo/negativo/neutro). Identifica los 3 temas principales mencionados. Da estadísticas.”
Código
“Escribe función Python que recibe lista de números, devuelve mediana. Sin librerías externas. Comenta cada paso. Test con [1,2,3,4,5] debería dar 3.”
Brainstorming
“Genera 20 ideas para mejorar la conversión de una landing de B2B SaaS. Una idea por línea. Sin explicación. Variadas en tipo (visual, copy, técnico, psicológico, social proof, urgencia).”
Iteración
El prompt engineering es iterativo:
- Primer prompt
- Evalúa output
- Ajusta prompt
- Repite hasta calidad aceptable
A menudo, el “prompt perfecto” para una tarea repetida toma 10-20 iteraciones de refinamiento.
En aplicaciones reales
Para apps que usan LLMs (chatbots, herramientas), el prompt se fija una vez y se aplica programáticamente. Tu RAG con datos del cliente usa siempre el mismo prompt template, solo cambia el contenido a procesar.
Las IAs de IMPERO usan prompts cuidadosamente engineered + RAG sobre datos del cliente para evitar alucinaciones.