Técnicas de Prompt Engineering: Guía de Optimización de LLM

El prompt engineering es el arte y la ciencia de diseñar sistemáticamente las entradas para obtener el resultado deseado de los modelos de IA. Las estrategias de prompt correctas pueden aumentar el rendimiento del modelo hasta en un 50%.

Fundamentos del Prompt Engineering

Anatomía de un Prompt

Un prompt efectivo consta de los siguientes componentes:

1. System Instruction: Rol del modelo y reglas de comportamiento
2. Context: Información de contexto relacionada con la tarea
3. Example(s): Ejemplos del formato de salida deseado
4. Task: Solicitud o pregunta específica
5. Output Format: Estructura de respuesta esperada

Estructura Básica de un Prompt

1[Role Definition]
2You are a {field of expertise} expert.
3
4[Context]
5{Relevant information}
6
7[Task]
8{Specific request}
9
10[Format]
11{Expected output format}

Técnicas Básicas de Prompt

1. Zero-Shot Prompting

Definición directa de la tarea sin proporcionar ejemplos:

Summarize the following text:
{text}

Casos de uso:

• Tareas simples
• Preguntas de conocimiento general
• Clasificación

2. Few-Shot Prompting

Definición de la tarea con ejemplos:

1Text: "This product is great, I am very satisfied"
2Sentiment: Positive
3
4Text: "It was a terrible experience, I do not recommend it"
5Sentiment: Negative
6
7Text: "It's okay for the price"
8Sentiment: ?

Mejores prácticas:

• Normalmente, 3-5 ejemplos son suficientes
• Añadir varios edge cases
• Ordenar los ejemplos aleatoriamente

3. Chain-of-Thought (CoT)

Pensamiento paso a paso:

1Question: A store has 15 apples. 8 apples were sold, 
2then 6 more apples arrived. How many apples are there?
3
4Let's think step by step:
51. Initially there are 15 apples
62. 8 apples sold: 15 - 8 = 7 apples left
73. 6 apples arrived: 7 + 6 = 13 apples
8
9Answer: 13 apples

4. Self-Consistency

Diferentes rutas de razonamiento para la misma pregunta:

1Solve this problem in 3 different ways and choose the most consistent answer:
2
3[Problem]

5. Tree of Thoughts (ToT)

Árbol de pensamientos ramificado:

1Problem: {complex problem}
2
3Thought 1: {approach A}
4  → Sub-thought 1.1: {detail}
5  → Sub-thought 1.2: {detail}
6  
7Thought 2: {approach B}
8  → Sub-thought 2.1: {detail}
9  
10Evaluate and select the most suitable path.

Técnicas Avanzadas

ReAct (Reasoning + Acting)

Ciclo de pensamiento y acción:

1Question: How many times larger is Istanbul's population than Paris?
2
3Thought: I need to find the population of both cities
4Action: [search] Istanbul population
5Observation: Istanbul population ~16 million
6
7Thought: Now I need to find Paris population
8Action: [search] Paris population  
9Observation: Paris population ~2.2 million
10
11Thought: I can calculate the ratio
12Action: [calculate] 16 / 2.2
13Observation: 7.27
14
15Answer: Istanbul's population is approximately 7.3 times larger than Paris.

Constitutional AI Prompting

Definir reglas éticas y de seguridad:

1System: You are a helpful assistant.
2
3Rules:
41. Do not generate harmful content
52. Do not share personal information
63. Do not help with illegal activities
74. Always be honest
8
9User question: {question}

Role Prompting

Definición de un área específica de especialización:

1You are a cybersecurity expert with 20 years of experience.
2You have worked as a CISO in Fortune 500 companies.
3You can explain technical details clearly and understandably.
4
5User's question: {question}
6## Estrategias de Optimización de Prompts
7
8### 1. Aumentar la Especificidad
9
10❌ Malo:

Write a blog post

✅ Bueno:

Target audience: Software developers Topic: Docker container security Length: 1500-2000 words Tone: Technical but accessible Format: Introduction, 5 main sections, conclusion

1
2### 2. Determinar el Formato de Salida
3

Provide your response in this JSON format: { "summary": "string", "key_points": ["string"], "next_steps": ["string"], "confidence_score": number }

1
2### 3. Prompting Negativo
3
4Especificar comportamientos no deseados:
5

Do NOT do the following:

• Give speculative information
• Make claims without citing sources
• Lead the user
• Give excessively long answers

1
2### 4. Uso de Delimitadores
3
4Aclarar secciones:
5

###CONTEXT### {context information}

###TASK### {work to be done}

###FORMAT### {output format}

1
2## Optimización Específica por Modelo
3
4### Para GPT
5

• Use System message effectively
• Activate JSON mode: response_format={"type": "json_object"}
• Temperature: 0.7-1.0 for creative tasks, 0.1-0.3 for analytical

1
2### Para Claude
3

• Use XML tags: <context>, <task>, <format>
• Put important information at the end in long context
• Evaluate Thinking tags

1
2### Para Gemini
3

• Optimize for multimodal prompts
• Up-to-date information with Grounding
• Adjust Safety settings

1
2## Pruebas e Iteración de Prompts
3
4### Marco de Trabajo para A/B Testing
5

Prompt A: {version 1} Prompt B: {version 2}

Metrics:

• Accuracy: %
• Consistency: 1-5
• Latency: ms
• Token usage: #

1
2### Versionado de Prompts
3

prompt_v1.0: First version prompt_v1.1: Typo corrections prompt_v2.0: CoT added prompt_v2.1: Output format changed

1
2## Gestión de Prompts a Nivel Empresarial
3
4### Creación de Biblioteca de Prompts
5

/prompts /classification - sentiment_analysis.json - intent_detection.json /generation - blog_writer.json - code_reviewer.json /extraction - entity_extraction.json - data_parsing.json

1
2### Sistema de Plantillas de Prompts
3
4```python
5class PromptTemplate:
6    def __init__(self, template, variables):
7        self.template = template
8        self.variables = variables
9    
10    def render(self, **kwargs):
11        return self.template.format(**kwargs)
12
13# Usage
14sentiment_prompt = PromptTemplate(
15    template="Analyze sentiment: {text}",
16    variables=["text"]
17)

Errores Comunes y Soluciones

Error 1: Prompt Excesivamente Vago

Problema: El modelo no entiende lo que quieres
Solución: Añadir instrucciones y ejemplos específicos

Error 2: Prompt Muy Largo

Problema: Límite de tokens excedido, aumento de costos
Solución: Eliminar información innecesaria, usar resúmenes

Error 3: Instrucciones Confusas

Problema: El modelo se comporta de forma inconsistente
Solución: Priorizar y aclarar reglas

Error 4: Alucinación

Problema: El modelo da información inventada
Solución: Grounding, requerir citas, bajar la temperatura

Conclusión

El prompt engineering es un factor crítico en el éxito de los proyectos de IA. Puedes aumentar significativamente el rendimiento del modelo con técnicas correctas y un enfoque sistemático.

En Veni AI, desarrollamos estrategias de prompts personalizadas para nuestros clientes corporativos. Contáctanos para recibir soporte profesional.