Por qué necesitas la ingeniería de prompts

La mayor parte de la insatisfacción con los asistentes de IA no se debe a que el modelo no sea lo “suficientemente inteligente”, sino a que existe una desconexión entre la tarea que tienes en mente y las señales que el sistema realmente puede procesar. El mismo modelo puede parecer mediocre cuando le haces una pregunta al azar, pero cuando defines claramente la tarea, sus límites y el formato de salida esperado, a menudo se desempeña bastante bien.

Por ejemplo, si simplemente dices: “Ayúdame a escribir un correo electrónico”, el sistema tiene que adivinar el destinatario, el tono, la longitud, los temas tabú y lo que constituye un “buen” correo electrónico. Esta conjetura distribuye la probabilidad a lo largo de muchas respuestas posibles, lo que da como resultado respuestas que a menudo son vagas y desviadas del objetivo. Esto no es ningún fenómeno místico: es el comportamiento estándar de los modelos generativos cuando las limitaciones son insuficientes.

Para evitar esta divergencia, la clave es especificar los límites claramente: quién es la audiencia, cuál es el propósito, cuáles son los límites estrictos y qué constituye una ejecución exitosa. No necesitas escribir un ensayo extenso, pero debes dejarle claro al modelo “cuál es la respuesta correcta”.

Markdown común en los prompts

¿Qué es Markdown?

Markdown es un formato ligero. A diferencia de Microsoft Office, que depende de un formato definido por software, utiliza símbolos simples (como #, -, y **) para estructurar un documento.

Por ejemplo:

• # Título → crea un encabezado
• – elemento → crea una lista
• **texto** → hace que el texto esté en negrita

¿Por qué usar Markdown?

Los LLM no pueden interpretar el formateo definido por software; solo procesan texto sin formato. Sin embargo, el texto sin formato por sí solo puede ser desorganizado y difícil de reutilizar. El uso de símbolos simples para estructurar tu contenido lo hace más claro y accesible tanto para ti como para el LLM.

No necesitas cambiar todo tu flujo de trabajo a Markdown, pero familiarizarte con algunas de sus características puede ayudarte a escribir prompts que se lean como “minidocumentos”: fáciles de leer, editar y reutilizar.

Usa símbolos para estructurar tu prompt

Los encabezados dividen el “rol”, las “reglas de la salida” y el “material de origen” en secciones, lo que facilita que tanto el modelo como los humanos los lean rápidamente. Cuando pegas el mismo prompt en un cuadro de entrada de la IA, la estructura se mantiene intacta.

# Guía de prompt

## rol

Eres un asistente útil...

El texto en negrita se utiliza para resaltar reglas no negociables, nombres de campos o criterios de aceptación.

**No generes texto de baja calidad**

Los bloques de código (tres comillas invertidas) encierran ejemplos, JSON, YAML o fragmentos de “solo edición” para reducir la probabilidad de que se mezclen con las instrucciones.

Por favor, genera el contenido de la siguiente manera:

```
{
    "salida": "<contenido de la respuesta>"
}
```

Las listas ordenadas o desordenadas son ideales para escribir pasos, criterios de aceptación o listas de “debe incluir / no debe contener”.

1. El contenido debe ser de alta calidad.

2. No generes caracteres distorsionados o símbolos sin sentido.

- El contenido debe ser de alta calidad.

- No generes caracteres distorsionados o símbolos sin sentido.

Las tablas son adecuadas para comparaciones, criterios de puntuación y listado de pros y contras.

| Correcto          | Incorrecto         |
| ------------------ | ------------------- |
| Esto es correcto   | Esto es incorrecto |

Al utilizar estos elementos, puedes convertir un simple deseo en un prompt similar a un documento, en lugar de solo una línea de texto flotando en un chat.

Cómo renderizar archivos Markdown

Como se muestra arriba, Markdown es fácil de procesar para los LLM, pero menos conveniente para que los humanos lo lean en su forma nativa. Para mejorar la legibilidad, puedes utilizar herramientas que rendericen Markdown en una vista formateada, como Obsidian o Visual Studio Code.

Por ejemplo, en Visual Studio Code, puedes buscar “Markdown” en el Marketplace de Extensiones e instalar una extensión adecuada para previsualizar y renderizar archivos Markdown. Para obtener más detalles, consulta Configurar tu espacio de trabajo de IA.

¿Cuál es la diferencia entre la charla casual y las plantillas de Markdown?

La sintaxis en sí no es el objetivo; la diferencia radica en si estás dispuesto a convertir tus tareas en plantillas reutilizables e iterables. Las plantillas no pueden reemplazar el pensamiento, pero pueden capturar tus ideas para que no tengas que empezar de cero cada vez.

El concepto que a menudo se discute en la educación —el cambio “de la ingeniería de prompts a la ingeniería del conocimiento”— tiene una idea central similar: si las explicaciones, los materiales de referencia y las listas de verificación se conservan todos como texto estructurado, se vuelven más como activos del equipo en lugar de solo ideas personales. Aquí hay un ejemplo que ilustra la diferencia entre un prompt débil y un prompt preciso:

Contexto, acciones, salidas o resultados

En la ingeniería de prompts, un buen prompt a menudo se desglosa en tres partes. Esto sigue la misma lógica de la “redacción de Markdown en secciones” mencionada anteriormente, solo que utilizando una notación diferente:

• Contexto: describe con qué material está trabajando o en qué situación se encuentra (nombres de archivos, rutas, cómo se ven los datos a grandes rasgos).
• Acción: establece claramente lo que se debe hacer, evitando frases vagas y no verificables como “límpialo” u “optimízalo”.
• Salida: especifica cómo debería ser el resultado (nombre de archivo, formato, estructura de párrafos, campos requeridos). Solo cuando se completen las tres secciones, el modelo no tendrá que adivinar tus suposiciones subyacentes.

El problema más común es escribir de manera demasiado vaga. Puedes colocar estas tres secciones bajo encabezados como ## Contexto / ## Acción / ## Salida para facilitar la lectura rápida.

Un enfoque más estructurado

Un enfoque más confiable es desglosar el proceso en módulos distintos y escribir prompts basados en su estructura:

• Opinión y perspectiva: el nivel superior debe ser controlado por humanos, responsable de los objetivos, los juicios centrales y la rendición de cuentas, en lugar de ser delegado por completo al modelo.

Los cinco módulos siguientes respaldan colectivamente esta capa:

• Orientación al problema: definir claramente el problema a resolver, así como los objetivos y la dirección.
• Ideología: esbozar la postura fundamental, los principios de redacción o el contenido que se debe evitar.
• Reserva de información: organiza los materiales de antecedentes y los hechos disponibles.
• Metodología: define el proceso de ejecución y los pasos específicos.
• Forma de expresión: define el tono, la estructura y el formato.

Estos módulos son interdependientes: sin una orientación clara al problema, incluso la información abundante puede desviarse fácilmente del tema; sin una forma de expresión definida, incluso la mejor metodología puede producir una salida incoherente.

Puedes utilizar este marco para escribir cada sección en Markdown, ayudando al LLM a tomar decisiones más consistentes en lugar de depender de una sola instrucción vaga. A continuación, se presentan algunos ejemplos comparativos:

Orientación al problema

Ideología

Reserva de información

Metodología

Forma de expresión

De un “prompt único” a una “cadena de múltiples pasos”

Cuando una tarea es relativamente simple, generalmente es suficiente incluir toda la información en un solo prompt.

Sin embargo, cuando la tarea implica recuperación, filtrado, múltiples rondas de revisiones o requisitos estrictos, un solo prompt presenta dos problemas:

• Primero, se vuelve demasiado largo, lo que dificulta su lectura y aumenta el riesgo de que el modelo pase por alto ciertas partes.
• Segundo, dificulta la identificación precisa de errores; cuando los resultados se desvían, es difícil determinar qué paso falló.

Un enfoque más confiable es desglosar el proceso en múltiples pasos y guardar cada uno por separado. Por ejemplo: el Paso 1 define el problema o el esquema, el Paso 2 organiza la información y el Paso 3 genera el resultado final. La salida de cada paso es un resultado estructurado, que sirve como entrada para el siguiente paso.

Esto garantiza que cada paso sea claro y controlable, y facilita la revisión y modificación individual.

Ejemplo de investigación en tres pasos

A continuación, se presenta un ejemplo simple de investigación en tres pasos para ilustrar la cadena de prompts:

Paso 1: Por favor, genera un marco analítico para investigar este tema

# Diseño del marco

## Tu rol

Diseñas marcos de investigación. Tu tarea es diseñar un marco analítico estructurado para el tema dado.

## Entrada

**Tema de investigación**: {TEMA_DE_INVESTIGACIÓN}

## Tarea

Diseñar un marco analítico para el tema "{TEMA_DE_INVESTIGACIÓN}".

### Principios del diseño del marco

...

## Formato de salida

Guardar en el archivo: `workspace/{topic_id}/01.framework/framework.md`

...

Paso 2: Realizar la investigación y resumir por sección para cada dimensión del marco

# Investigar las dimensiones

## Tu rol

Investigas dimensiones de un estudio. Tu tarea es realizar una investigación profunda y resumir una dimensión específica dentro del marco analítico.

## Entrada

Lee `workspace/{topic_id}/01.framework/framework.md` para obtener:
- **ID de la dimensión**: {ID_DE_LA_DIMENSIÓN}
- **Nombre de la dimensión**: {NOMBRE_DIMENSIÓN}
- **Pregunta central**: {PREGUNTA_CENTRAL}
- **Puntos clave de análisis**: {PUNTOS_DE_ANÁLISIS}
- **Tema de investigación**: {TEMA_DE_INVESTIGACIÓN}
- **Ruta de salida**: {RUTA_DE_SALIDA}

## Tarea

Realizar búsquedas web y recopilar materiales para la dimensión asignada, luego escribir un resumen de investigación para esa dimensión.

### Proceso de investigación

...

## Formato de salida

Guardar en el archivo: `workspace/{topic_id}/02.findings/{dimension_id}.md`

...

Paso 3: Fusionar todas las secciones en un solo informe estructurado y guardarlo con el nombre de archivo especificado

# Ensamblar informes

## Tu rol

Ensamblas los informes de investigación. Tu tarea es fusionar todos los resúmenes de investigación de las dimensiones en un solo informe estructurado e integral.

## Entrada

- **Archivo del marco**: `workspace/{topic_id}/01.framework/framework.md`
- **Directorio de resúmenes de dimensiones**: `workspace/{topic_id}/02.findings/`
- **Nombre de archivo de salida**: {NOMBRE_ARCHIVO_DE_SALIDA}
- **Tema de investigación**: {TEMA_DE_INVESTIGACIÓN}

## Tarea

Leer todos los resúmenes de dimensiones y ensamblarlos en un informe final de acuerdo con la estructura del marco.

### Proceso de ensamblaje

...

## Formato de salida

Guardar en el archivo: `workspace/{topic_id}/03.report/{NOMBRE_ARCHIVO_DE_SALIDA}`

...

Esta es una cadena de prompts típica de tres pasos con tres tipos de entregables, en lugar de un único prompt excesivamente largo. Quien investigue puede recuperar el informe completo en

workspace/{topic_id}/03.report/{NOMBRE_ARCHIVO_DE_SALIDA}

Deja que la IA escriba el prompt

Una vez que domines la redacción estructurada, un enfoque más eficiente consiste en hacer primero que el modelo genere un prompt en Markdown reutilizable basado en tu objetivo general, para luego estandarizar la redacción, añadir hechos y refinar el alcance.

Aquí tienes una solicitud de ejemplo que puedes copiar y pegar directamente, con solo unos pequeños ajustes:

Eres un ingeniero de prompts. Describiré mi objetivo en lenguaje natural general. Primero, evalúa si el objetivo es claro; si es ambiguo o incompleto, haz hasta tres preguntas aclaratorias. Luego, produce una plantilla de prompt reutilizable en Markdown que incluya: definición de rol, contexto, la entrada que proporcionaré, formato de salida, controles de calidad y condiciones para detener el proceso.

En cuanto al flujo de trabajo, el modelo suele proporcionar primero la estructura básica de la plantilla, y tú te encargas luego de verificar:

Si los datos son precisos, si cumplen con las especificaciones, si los nombres propios y los datos son correctos, y si la plantilla contiene alguna suposición no verificada.

De esta manera, no es necesario desperdiciar energía en lograr que el «inicio sea perfecto», sino que puedes enfocarte en el control de calidad y la iteración. Esta división del trabajo se asemeja más a la organización y verificación del conocimiento: el modelo construye el marco, mientras que la persona es responsable del resultado final.

Un ejemplo de un prompt generado por IA

Por ejemplo, si quiero estudiar la ingeniería de prompts, puedo proporcionarle a la IA el siguiente prompt:

Eres un ingeniero de prompts. Describiré mi objetivo en lenguaje natural general. Primero, evalúa si el objetivo es claro; si es ambiguo o incompleto, haz hasta tres preguntas aclaratorias. Luego, produce una plantilla de prompt reutilizable en Markdown que incluya: definición de rol, contexto, la entrada que proporcionaré, formato de salida, controles de calidad y condiciones para detener el proceso.

Quiero realizar una investigación sobre la ingeniería de prompts.

Después de responder a las preguntas planteadas por la IA, puedes generar la plantilla del prompt. Como puedes ver, la IA ayuda a organizar nuestras ideas y generar un prompt más claro, reutilizable y completo.

## Tu rol

Eres un científico de investigación especializado en la interacción humano-IA y el procesamiento del lenguaje natural, con experiencia en la descomposición de tareas de razonamiento complejo mediante técnicas estructuradas de ingeniería de prompts.

## Contexto

El encadenamiento de prompts es una técnica en la que las tareas complejas se dividen en subtareas secuenciales, donde la salida de cada paso alimenta al siguiente prompt. Este enfoque mejora la confiabilidad, la interpretabilidad y el rendimiento en problemas de razonamiento de múltiples pasos. Tu investigación tiene como objetivo sintetizar las mejores prácticas, evaluar las arquitecturas de cadenas y producir una guía práctica para los investigadores que implementen estos sistemas.

## Aporte que proporcionaré
- Enfoque del dominio (por ejemplo, razonamiento científico, generación de código, análisis de múltiples documentos)
- Descripción de la tarea de referencia o ejemplo de un problema complejo a descomponer
- Modelos/herramientas disponibles (por ejemplo, Claude, GPT-4, API específicas del dominio)
- Restricciones (presupuestos de latencia, límites de costos, requisitos de interpretabilidad)
- Trabajo previo (artículos específicos, marcos o casos de no resueltos a considerar)

## Formato de salida

Para cada consulta de investigación, genera:
1. **Estrategia de descomposición** – Diagrama o descripción de la estructura de la cadena propuesta (nodos = prompts, aristas = flujo de datos).
2. **Plantillas de prompts** – Borradores de prompts para cada nodo con contratos explícitos de entrada/salida.
3. **Protocolo de evaluación** – Métricas para evaluar el rendimiento de la cadena frente a una referencia monolítica.
4. **Análisis de modos de falla** – Puntos anticipados de propagación de errores y estrategias de mitigación.
5. **Esbozo de implementación** – Pseudocódigo o notas de arquitectura de sistema para la lógica de ejecución de la cadena.

## Controles de calidad
- Cada nodo de la cadena tiene una única responsabilidad bien definida.
- Los contratos de datos entre nodos son explícitos (entradas/salidas específicas).
- El manejo de errores está definido para cada transición.
- La cadena está justificada frente a alternativas (solicitudes paralelas, de un solo paso o uso de herramientas).
- La evaluación incluye tanto la precisión de extremo a extremo como los diagnósticos por paso.

## Condiciones para detener el proceso
Detenerse y solicitar aclaraciones cuando:
- El dominio requiera conocimientos especializados más allá del PLN general (médico, legal, crítico para la seguridad) sin materiales de referencia proporcionados.
- La cadena propuesta supere los 10 nodos (lo que sugiere la necesidad de una refactorización jerárquica o una arquitectura alternativa).
- No se especifiquen datos de evaluación ni criterios de éxito.

---

Resumen

Colaborar con la IA implica esencialmente definir claramente la tarea primero, para luego usar una estructura simple para alinear las expectativas entre ambas partes. Markdown no es solo un formato; permite que los humanos y los modelos compartan el mismo “manual de instrucciones”. Si el modelo construye primero el marco mientras tú controlas los hechos y los límites, puedes aumentar la eficiencia evitando al mismo tiempo perder el control sobre los resultados.