GabrielGPT

Prompt Engineering

4 min read

📝 Prompt Engineering - Técnicas y mejores prácticas

Metadata de la clase

Fecha: 2026-05-11 Hora: 10:00 Profesor: No especificado Estado: 🟡 Por procesar

🎯 Objetivo de la clase

Entender qué es prompt engineering, las técnicas fundamentales para optimizar prompts y cómo diseñar instrucciones efectivas para modelos de lenguaje.

📊 Captura Rápida

⚡ Notas Rápidas

  • Prompt engineering es el arte de diseñar instrucciones para obtener mejores respuestas de LLMs.
  • Un buen prompt define claramente el contexto, rol, tarea y formato esperado.
  • Las técnicas incluyen: few-shot learning, chain-of-thought, role-playing y temperatura.
  • El mismo prompt puede dar resultados muy diferentes según parámetros y estructura.

🔑 Conceptos Clave

  • Prompt: instrucción o pregunta que das a un LLM.
  • Few-shot learning: proporcionar ejemplos para guiar la respuesta.
  • Chain-of-thought: pedir razonamiento paso a paso.
  • Temperature: controla la creatividad (0 = determinístico, 1 = creativo).
  • Token limit: restricción de longitud de entrada/salida.

❓ Dudas

  • ¿Por qué un pequeño cambio de wording cambia tanto la respuesta?
  • ¿Cómo sé si mi prompt es óptimo?
  • ¿Existen técnicas para evitar alucinaciones?

💡 Insights

  • El prompt engineering es casi un arte: no hay recetas definitivas, requiere experimentación.
  • Los mejores prompts son específicos, contextuales y con ejemplos claros.
  • La claridad y la estructura son más importantes que la extensión.

⚠️ Importante

  • No confundir prompt engineering con manipulación: debe ser ético y transparente.
  • Los prompts óptimos para un modelo pueden no funcionar igual en otro.
  • El “jailbreaking” no es prompt engineering legítimo.

📝 Notas Detalladas

¿Qué es Prompt Engineering?

Prompt engineering es la práctica de diseñar y optimizar instrucciones (prompts) para obtener respuestas precisas, relevantes y de alta calidad de modelos de lenguaje. Es la interfaz entre el usuario y el modelo.

Un buen prompt:

  • Define claramente la tarea.
  • Proporciona contexto suficiente.
  • Especifica el formato de salida esperado.
  • Usa lenguaje preciso y sin ambigüedades.

Estructura básica de un prompt efectivo

[CONTEXTO] + [ROL/PERSONA] + [TAREA] + [RESTRICCIONES] + [FORMATO]

Ejemplo débil:

¿Qué es machine learning?

Ejemplo efectivo:

Eres un experto en ciencia de datos. Explica qué es machine learning en 2-3 párrafos, 
enfocándote en aplicaciones prácticas. Usa ejemplos concretos.

Técnicas principales

1. Few-Shot Learning

Proporcionar ejemplos de entrada-salida para guiar el modelo.

Traduce al inglés:
- "Hola" → "Hello"
- "¿Cómo estás?" → "How are you?"
- "Buenos días" → ?

2. Chain-of-Thought (CoT)

Pedir al modelo que razone paso a paso antes de responder.

Resuelve este problema paso a paso:
Si un tren viaja a 60 km/h durante 2 horas, ¿cuántos km recorre?
Primero, identifica los datos. Luego, aplica la fórmula. Finalmente, calcula.

3. Role-Playing

Asignar un rol específico al modelo para enmarcar la respuesta.

Eres un abogado especialista en derecho civil. Un cliente pregunta sobre derechos 
de propiedad. Responde de manera profesional y clara.

4. Temperature y Parámetros

  • Temperature 0: respuestas determinísticas, ideales para tareas precisas.
  • Temperature 0.7: balance entre coherencia y creatividad (típico).
  • Temperature 1+: muy creativo, útil para brainstorming.

5. Negation Framing

Indicar qué NO hacer ayuda al modelo a enfocar mejor.

Escribe un artículo sobre IA. NO incluyas especulación futura. 
Cita solo hechos verificables. NO uses lenguaje sensacionalista.

Errores comunes

  • ❌ Ser vago: “Hazme un texto” vs ✅ “Escribe 500 palabras sobre X para Y audiencia”
  • ❌ Múltiples tareas mezcladas: ✅ numera o separa claramente
  • ❌ Olvidar contexto: ✅ siempre proporciona background
  • ❌ Expectativas poco realistas: el modelo tiene limitaciones de conocimiento y razonamiento
  • ❌ No iterar: mejora el prompt si el resultado no es ideal

Relación con agentes y MCP

En sistemas de agentes (como CrewAI), el prompt engineering define:

  • Las instrucciones del agente (role, goal, backstory).
  • El formato de herramientas y cómo se invocan.
  • La forma en que el agente razona sobre problemas.

En FastMCP, los prompts guían cómo los LLMs deciden usar herramientas disponibles.

🔄 Procesamiento Post-Clase

📋 Checklist de Procesamiento

  • Revisar y practicar las técnicas principales.
  • Experimentar con different temperatures.
  • Crear ejemplos personalizados de few-shot.
  • Documentar prompts efectivos.
  • Conectar con agentes y sistemas LLM.
  • Identificar gaps de conocimiento.

🎯 Acciones Prioritarias

  1. Desarrollar una biblioteca de prompts reutilizables.
  2. Practicar chain-of-thought en problemas complejos.
  3. Entender cómo prompt engineering se aplica a agentes.

🔗 Conexiones

🎴 Flashcards Rápidas

¿Qué es prompt engineering?::Diseño y optimización de instrucciones para obtener mejores respuestas de LLMs. card ¿Cuál es la estructura básica de un prompt efectivo?::Contexto + Rol + Tarea + Restricciones + Formato esperado. card ¿Qué es Chain-of-Thought?::Técnica que pide al modelo razonar paso a paso antes de responder. card ¿Cuándo usar temperature alta vs baja?::Temperature baja (0-0.3) para tareas precisas; temperatura alta (0.7+) para creatividad. card

🧪 Aplicación

  • Explicarlo sin consultar la nota
  • Resolver un caso nuevo o escribir un ejemplo
  • Compararlo con una alternativa
  • Usarlo en un proyecto

🔗 Conexiones explicadas

  • — Se relaciona porque…

Graph View

Backlinks