Ingeniería de prompts: las técnicas que funcionan de verdad

La ingeniería de prompts es el arte de formular una petición a un modelo de IA para obtener, de forma fiable, la respuesta que usted necesita. Las técnicas que funcionan de verdad no tienen nada de fórmulas mágicas: consisten en dar al modelo contexto, un objetivo, ejemplos y un formato claro, y después comprobar el resultado con casos reales.

Qué abarca hoy la ingeniería de prompts

Un prompt es el texto que usted envía al modelo: instrucciones, contexto, documentos, ejemplos y la pregunta. La ingeniería de prompts consiste en diseñarlo y mejorarlo de forma metódica. Con los primeros modelos se buscaban frases que «desbloqueaban» mejores respuestas. Con los grandes modelos actuales el reto ha cambiado: casi siempre entienden lo que usted dice, pero no adivinan lo que calla.

Los creadores de modelos publican ahora guías detalladas. Este artículo se apoya en dos de ellas, abiertas el 22 de octubre de 2026: la presentación de la ingeniería de prompts de Anthropic con sus buenas prácticas, y la guía de ingeniería de prompts de OpenAI. Sus consejos coinciden en gran medida, lo que ya es un dato útil.

Las técnicas de un vistazo

Técnica	Cuándo usarla	Qué corrige
Instrucciones claras y contexto	Siempre	Respuestas genéricas o desenfocadas
Explicar el porqué	Reglas de forma o de fondo	Reglas mal aplicadas
Papel y prompt de sistema	Aplicaciones, asistentes recurrentes	Tono o nivel inadecuados
Ejemplos (few-shot)	Formato o estilo concretos	Salidas irregulares
Etiquetas de estructura	Prompts largos, varios documentos	Confusión entre instrucciones y datos
Razonamiento explícito	Problemas de varias etapas	Errores de lógica
Formato de salida impuesto	Tratamiento automático	Respuestas imposibles de procesar
Documentos primero, pregunta al final	Contexto muy largo	Información perdida
Encadenamiento y autocorrección	Tareas complejas	Borradores sin revisar
Pruebas y evaluaciones	Antes de pasar a producción	Regresiones invisibles

1. Ser claro y preciso, y dar contexto

Es la técnica que más rinde. Anthropic recomienda tratar al modelo como a un empleado brillante pero recién llegado, que no conoce ni su empresa, ni su público, ni sus costumbres. Su prueba: enseñe el prompt a un compañero que no tenga el contexto; si se perdería, el modelo también.

En la práctica, precise:

• el objetivo: para qué servirá la respuesta y quién la leerá;
• el contexto: lo que el modelo no puede saber (su producto, sus limitaciones, lo que ya se ha intentado);
• los criterios de éxito: extensión, nivel de detalle, lo que debe figurar sin falta;
• los pasos, numerados, cuando el orden importa.

Compare «Escribe un correo de seguimiento» con «Redacta un correo de seguimiento de cinco líneas para un cliente que lleva treinta días sin pagar una factura; tono cordial pero firme; propón una llamada esta semana; sin disculpas». La segunda versión no contiene ningún truco: solo la información que usted ya tenía en mente.

2. Explicar por qué importa una instrucción

Una regla sin justificación se aplica al pie de la letra, a veces mal. Una regla explicada se generaliza con criterio. El ejemplo de Anthropic es elocuente: en lugar de «no uses nunca puntos suspensivos», explique que la respuesta la leerá en voz alta un motor de síntesis de voz que no sabe pronunciarlos. El modelo entiende entonces que también debe evitar otros signos que no funcionan al oído.

En la misma línea, diga lo que hay que hacer en vez de lo que no hay que hacer. «Redacta párrafos fluidos» funciona mejor que «no uses viñetas». Y escriba su prompt en el estilo que espera recibir: un prompt lleno de Markdown invita a una respuesta en Markdown.

3. Asignar un papel y cuidar el prompt de sistema

El prompt de sistema es el mensaje de encuadre que precede a la conversación. Es el lugar para definir un papel («Eres abogado laboralista y respondes a responsables de recursos humanos de pymes»), el tono, los límites y el formato por defecto. Ambos proveedores recomiendan esta práctica.

OpenAI aporta un matiz útil para quien desarrolla una aplicación: los mensajes del desarrollador prevalecen sobre los del usuario. Su documentación compara el prompt de sistema con una función y los mensajes del usuario con sus argumentos. Coloque, por tanto, las reglas duraderas en el sistema y deje que el usuario aporte la petición del momento.

Póngase a prueba Su asistente interno responde bien, pero con un tono demasiado informal para sus clientes. ¿Dónde corregirlo: en cada mensaje o en otro sitio?

En el prompt de sistema. El tono es una regla duradera que debe aplicarse a todas las conversaciones: situarla en el encuadre evita repetirla y le da prioridad. Añada el motivo («las respuestas se envían tal cual a los clientes») y, si es posible, un breve ejemplo del tono esperado.

4. Mostrar ejemplos (few-shot)

Mostrar suele ser mejor que explicar. El few-shot prompting consiste en incluir algunos ejemplos de entradas y de salidas esperadas. La idea se popularizó con el artículo de investigación sobre GPT-3 publicado en mayo de 2020 (arXiv 2005.14165), que mostró que un gran modelo podía aprender una tarea a partir de unas pocas demostraciones incluidas en el prompt.

Las buenas prácticas de Anthropic, consultadas el 22 de octubre de 2026, recomiendan de tres a cinco ejemplos, elegidos para ser:

• pertinentes: parecidos a sus casos reales;
• variados: que cubran los casos límite, para que el modelo no copie un detalle involuntario;
• delimitados: colocados en etiquetas propias, para no confundirlos con la petición.

OpenAI hace la misma recomendación. Una buena señal de alarma: si todas las respuestas tienen la misma longitud que su único ejemplo, el modelo lo está imitando demasiado.

5. Estructurar con etiquetas

En cuanto un prompt mezcla instrucciones, documentos y ejemplos, sepárelos con nitidez. Anthropic recomienda etiquetas de tipo XML y OpenAI admite también títulos Markdown. Lo esencial es la coherencia: nombres explícitos, reutilizados de un prompt a otro.

<instrucciones>
Resume el contrato siguiente para un responsable de compras.
Cinco viñetas como máximo, primero los riesgos.
</instrucciones>

<contrato>
[texto del contrato]
</contrato>

<formato>
Una línea final: firmar, negociar o rechazar.
</formato>

Esta estructura evita que el modelo tome una frase del documento por una instrucción. También limita, sin eliminarla, la exposición a la inyección de prompt cuando el documento procede de una fuente externa.

6. Hacer razonar al modelo

En los problemas de varias etapas (cálculos, análisis, decisiones con criterios), pedir al modelo que reflexione antes de responder mejora los resultados. Es la cadena de pensamiento, descrita en un artículo de investigación de enero de 2022 (arXiv 2201.11903).

La práctica ha evolucionado con los modelos de razonamiento, que reflexionan por sí mismos antes de responder. OpenAI señala que funcionan mejor con indicaciones de alto nivel que describen el objetivo, mientras que los modelos clásicos necesitan instrucciones muy precisas, paso a paso. Con un modelo de razonamiento suele ser innecesario, e incluso contraproducente, dictarle cada paso: dele el objetivo y los criterios.

7. Imponer el formato de salida

Si un programa va a leer la respuesta, describa el formato con precisión: campos, tipos y valores permitidos. Para una integración fiable, prefiera las salidas estructuradas que ofrecen las API, que obligan al modelo a respetar un esquema.

Un aviso de la documentación de Anthropic: el prellenado, que consistía en escribir el comienzo de la respuesta en lugar del modelo, ya no se admite a partir de los modelos Claude 4.6. Las salidas estructuradas lo sustituyen para forzar un formato.

8. Gestionar contextos largos

Con ventanas de contexto cada vez más amplias, la tentación de pegarlo todo en el prompt es grande. El orden importa. Para entradas largas, Anthropic recomienda colocar los documentos arriba y la pregunta al final: según sus buenas prácticas consultadas el 22 de octubre de 2026, esto puede mejorar la calidad de las respuestas hasta un 30 % en sus pruebas, con entradas de unos 20.000 tokens o más.

Dos consejos complementarios:

• identifique cada documento con etiquetas que indiquen su fuente y su fecha;
• pida primero que extraiga las citas pertinentes y que responda a partir de ellas: así se reducen las alucinaciones, es decir, las afirmaciones inventadas.

9. Encadenar pasos y pedir una revisión

Una tarea compleja se resuelve mejor en varias llamadas que en un prompt gigantesco. Anthropic describe un esquema sencillo de autocorrección: una primera llamada produce un borrador, una segunda lo revisa según criterios precisos y una tercera lo mejora. Cada paso es más fácil de probar y de corregir por separado.

Es también el principio básico de los agentes: un bucle de pasos, herramientas y comprobaciones. Si quiere dar a su modelo acceso a sus propios datos o funciones, consulte nuestro tutorial para crear un servidor MCP.

10. Probar, medir y fijar la versión del modelo

Un prompt que funciona en tres intentos puede fallar en el cuarto. Ambos proveedores insisten en la evaluación: reúna un conjunto de casos representativos con las respuestas esperadas y ejecútelo cada vez que modifique el prompt. Nuestro artículo sobre la evaluación de un agente de IA detalla el método.

OpenAI recomienda además fijar en producción una versión concreta del modelo (un «snapshot»), porque el comportamiento puede cambiar de una versión a otra. Anthropic va en la misma dirección: cualquier técnica propia de un modelo debe volver a comprobarse con sus propias evaluaciones cada vez que cambie de modelo.

Por último, en las aplicaciones de gran volumen, coloque el contenido estable (instrucciones, ejemplos, documentos de referencia) al principio del prompt. OpenAI recuerda que así se aprovecha la caché de prompts, que reduce el coste y la latencia. Para estimar la factura, consulte nuestra guía de precios de las API de IA.

Las falsas buenas ideas

Algunos reflejos muy extendidos aportan poco o incluso perjudican:

• Las amenazas y las recompensas («es vital para mi carrera»): no figuran entre las técnicas que recomiendan estas guías; basta con una instrucción clara y justificada.
• Las mayúsculas por todas partes: en nuestra opinión, gritar una regla no sustituye a explicarla. Una instrucción justificada se entiende y se generaliza mejor que un «NUNCA» en mayúsculas.
• El prompt cajón de sastre: acumular todas las reglas posibles ahoga las más importantes. Es mejor un prompt corto, probado y enriquecido a la vista de los errores observados.
• Copiar un prompt de un modelo a otro sin volver a probarlo: cada familia de modelos tiene sus particularidades.

Pasar a la práctica

Un método sencillo basta para progresar rápido:

1. Redacte un primer borrador con objetivo, contexto, instrucciones y formato, sin buscar la perfección.
2. Reúna algunos casos reales, incluidos casos difíciles o ambiguos, y anote la respuesta que espera para cada uno.
3. Ejecute el prompt con todos los casos y clasifique los errores: información que falta, formato no respetado, razonamiento erróneo, tono inadecuado.
4. Corrija una sola cosa cada vez y vuelva a ejecutar todos los casos para comprobar que no ha roto nada en otro sitio.

Esta disciplina cuenta más que cualquier truco: convierte una impresión («parece que va mejor») en algo verificable.

Para no partir de una página en blanco, el generador de prompts del sitio le ayuda a estructurar papel, contexto, instrucciones y formato. Pruebe después el resultado con un asistente como Claude u otro modelo, con varios casos reales. Y si su objetivo va más allá de una conversación, nuestra guía para crear un agente de IA muestra cómo estos prompts se convierten en el núcleo de un agente.