Prompt engineering

Un prompt es la entrada que proporcionamos a un modelo de inteligencia artificial para indicar una tarea, aportar información o establecer las condiciones bajo las que esperamos una respuesta.

Un prompt puede ser una pregunta breve, una instrucción, un documento, un conjunto de datos o una combinación de varios elementos.

Entrada
↓
Prompt
↓
Modelo
↓
Respuesta

En aplicaciones más complejas, el prompt visible para el usuario puede ser solo una parte del contexto completo que finalmente recibe el modelo.

Antes de redactar instrucciones conviene definir con claridad qué resultado necesitamos.

Por ejemplo, no es lo mismo pedir:

Explícame Docker.

que especificar:

Explica qué es Docker a un alumno que conoce Linux
pero todavía no ha utilizado contenedores. Incluye:
- qué problema resuelve;
- diferencia entre imagen y contenedor;
- un ejemplo sencillo.

En el segundo caso, la tarea, el destinatario y parte del contenido esperado están mejor definidos.

El contexto proporciona al modelo información relevante para realizar la tarea.

Puede incluir:

• el objetivo del trabajo;
• el destinatario;
• datos sobre el problema;
• un texto que debe analizarse;
• código existente;
• documentación;
• condiciones que deben respetarse.

Instrucción
+
Contexto relevante
↓
Modelo
↓
Respuesta

El objetivo no es aportar toda la información disponible, sino la información necesaria y útil para resolver la tarea.

Las restricciones permiten especificar condiciones que debe respetar la respuesta.

Pueden referirse a:

• extensión;
• idioma;
• nivel técnico;
• tono;
• estructura;
• datos que deben utilizarse;
• elementos que deben incluirse o evitarse.

Objetivo
+
Contexto
+
Restricciones
↓
Respuesta esperada

Conviene utilizar restricciones que respondan a una necesidad real. Añadir condiciones innecesarias puede complicar el prompt sin mejorar el resultado.

Los ejemplos pueden ayudar a mostrar al modelo el tipo de transformación o formato esperado.

Supongamos que queremos convertir nombres de tecnologías en una categoría:

Entrada: PostgreSQL
Salida: Base de datos Entrada: Docker
Salida: Contenedores Entrada: Git
Salida:

Los ejemplos muestran la relación esperada entre entrada y salida sin necesidad de describir todos los casos posibles.

Deben ser representativos de la tarea. Ejemplos incorrectos, ambiguos o poco variados pueden orientar el resultado en una dirección no deseada.

Especificar el formato esperado puede facilitar tanto la lectura como el procesamiento posterior de la respuesta.

Por ejemplo:

Devuelve el resultado con esta estructura: Título:
Resumen:
Puntos clave:
Conclusión:

Para tareas orientadas a software puede solicitarse una estructura que pueda procesarse posteriormente, siempre que el modelo y la aplicación utilizados permitan trabajar de forma fiable con ese formato.

En algunas tareas puede ser útil indicar desde qué perspectiva debe elaborarse una respuesta.

Explica el concepto como docente de informática
para alumnado que comienza a estudiar redes.

Esto puede orientar el nivel técnico, el vocabulario o el enfoque. Sin embargo, asignar un rol no proporciona al modelo conocimientos nuevos ni garantiza que la respuesta sea correcta.

Una descripción concreta de la tarea y del destinatario suele ser más útil que utilizar roles genéricos como «eres el mejor experto del mundo».

Cuando una tarea contiene varios objetivos independientes puede resultar útil dividirla en pasos o subtareas claramente identificadas.

1. Analiza el texto.
2. Identifica los conceptos principales.
3. Detecta posibles contradicciones.
4. Genera un resumen final.

La división ayuda a expresar con precisión qué operaciones queremos realizar. No significa que todas las tareas deban convertirse en largas secuencias de pasos.

Si la tarea es sencilla, una instrucción directa suele ser suficiente.

Un prompt no debería evaluarse únicamente por si la respuesta «parece buena». Conviene definir criterios relacionados con la tarea.

Podemos revisar aspectos como:

• corrección;
• relevancia;
• cobertura de los requisitos;
• cumplimiento del formato;
• claridad;
• consistencia;
• presencia de información no fundamentada.

Prompt
↓
Respuesta
↓
Criterios
↓
Evaluación
↓
Ajuste

El mismo prompt no tiene por qué producir el mismo comportamiento en todos los modelos o aplicaciones.

Los resultados pueden variar por factores como:

• modelo utilizado;
• versión del modelo;
• instrucciones internas de la aplicación;
• contexto disponible;
• herramientas conectadas;
• parámetros de generación;
• cambios en el propio servicio.

Por ello, los prompts utilizados en procesos importantes deben evaluarse en el entorno real donde vayan a ejecutarse.

En una aplicación real, parte del contenido incluido en el contexto puede proceder de usuarios, documentos, páginas web u otras fuentes externas.

Ese contenido debe tratarse como datos y no asumirse automáticamente como una instrucción fiable.

Contenido externo
↓
Tratamiento como dato
↓
Controles de la aplicación
↓
Modelo
↓
Validación de la salida

La seguridad de una aplicación basada en modelos de lenguaje no debe depender únicamente de pedir al modelo que ignore instrucciones maliciosas. Los controles importantes deben implementarse también en la arquitectura de la aplicación.

Como punto de partida, algunas tareas pueden organizarse utilizando una estructura como esta:

Objetivo:
[qué debe hacer] Contexto:
[información necesaria] Requisitos:
[condiciones que debe cumplir] Entrada:
[contenido sobre el que trabajar] Formato de salida:
[estructura esperada]

No es una plantilla obligatoria ni universal. Algunos prompts necesitarán todos estos elementos y otros podrán resolverse con una sola instrucción.

La estructura debe adaptarse a la tarea en lugar de adaptar todas las tareas a una estructura fija.

• pedir varias tareas ambiguas sin definir qué resultado se espera;
• añadir información irrelevante que dificulta identificar el objetivo;
• utilizar restricciones contradictorias;
• proporcionar ejemplos que no representan correctamente la tarea;
• pedir un formato sin comprobar después si realmente se cumple;
• asumir que un prompt largo es necesariamente mejor;
• utilizar una plantilla rígida para cualquier problema;
• evaluar el prompt utilizando un único ejemplo;
• asumir que un prompt funcionará igual con cualquier modelo;
• confiar en el prompt como único mecanismo de seguridad;
• utilizar información sensible sin revisar las condiciones del servicio;
• considerar correcta una respuesta únicamente porque está bien redactada.

• Un prompt es la entrada utilizada para orientar una tarea y aportar información al modelo.
• Prompt engineering implica diseñar, probar, evaluar y mejorar instrucciones.
• La tarea debe estar claramente definida antes de intentar optimizar el prompt.
• El contexto debe aportar información relevante para resolver el problema.
• Separar instrucciones y datos puede mejorar la claridad.
• Las restricciones deben responder a necesidades reales.
• Los ejemplos pueden orientar el comportamiento cuando la tarea lo necesita.
• Especificar el formato facilita utilizar posteriormente la respuesta.
• Los prompts importantes deben probarse con varios casos.
• Un mismo prompt puede comportarse de forma diferente según el modelo y la aplicación.
• Un buen prompt no elimina las limitaciones del modelo.
• La seguridad de una aplicación no debe depender únicamente de las instrucciones enviadas al modelo.
• No existe una plantilla universal válida para todas las tareas.

Fuentes institucionales y documentación técnica para ampliar los conceptos de esta ficha.

• Recursos de Machine Learning e IA generativa · Google for Developers
• AI Risk Management Framework · NIST
• OECD.AI