Técnicas de ingeniería de prompts: una guía práctica de zero-shot, few-shot, chain-of-thought y más

La ingeniería de prompts es la forma más barata y rápida de cambiar lo que hace un gran modelo de lenguaje: cambias la entrada, no el modelo. Sin entrenamiento, sin pipeline de datos, sin factura de GPU - solo instrucciones más claras. Es el primer peldaño de la escalera de personalización (consulta cómo se entrenan los modelos de IA para ver la escalera completa), y se evalúa mucho en todos los exámenes fundamentales de IA y de IA generativa, desde el AWS AI Practitioner (AIF-C01) hasta los equivalentes de Azure y Google Cloud.

Esta guía es neutral respecto al proveedor - las técnicas funcionan igual en cualquier LLM moderno. Cubre la anatomía de un buen prompt, las técnicas principales con cuándo usar cada una, los ajustes de inferencia que dan forma a la salida y los riesgos de seguridad que debes conocer. Donde un examen se apoya en algo, hay una nota "En el examen". Trátala como una referencia que ojeas por secciones.

Qué es (y qué no es) la ingeniería de prompts

Qué es. Elaborar y refinar el texto que le das a un modelo para que devuelva la salida que quieres. Aprovecha lo que el modelo ya aprendió durante el pre-entrenamiento; estás dirigiendo, no enseñando.

Por qué importa. Es casi gratis e instantánea. Antes de recurrir a RAG o al fine-tuning - que cuestan datos, dinero y tiempo - deberías agotar el prompting. A menudo un mejor prompt cierra toda la brecha.

Qué no es. No cambia los pesos del modelo. Si el modelo simplemente carece del conocimiento (tus datos privados) o de un comportamiento fiable, el prompting por sí solo no lo arreglará - ahí es cuando subes a RAG o al fine-tuning. No confundas la ingeniería de prompts (escribir mejores instrucciones) con el prompt tuning (una técnica de entrenamiento que aprende vectores de "soft prompt"); el examen trata la ingeniería de prompts como la opción sin reentrenamiento.

La anatomía de un buen prompt

La mayoría de los prompts sólidos contienen hasta cuatro partes:

• Instrucción - la tarea: "Resume", "Clasifica", "Traduce", "Extrae".
• Contexto - el trasfondo que el modelo necesita: audiencia, tono, dominio, restricciones.
• Datos de entrada - el contenido concreto sobre el que actuar.
• Indicador de salida - la forma de la respuesta: "Devuelve JSON", "Una frase", "Una lista con viñetas".

Principios que hacen que cada parte funcione:

• Sé específico e inequívoco. "Escribe un resumen de 3 frases para un lector no técnico" supera a "resume esto".
• Prefiere las instrucciones en positivo. Dile al modelo qué hacer, no solo qué evitar; "Responde únicamente con el nombre de la categoría" es más claro que un montón de reglas de "no hagas" (aunque las restricciones negativas tienen su lugar - ver más abajo).
• Da restricciones. Longitud, tono, nivel de lectura, formato, qué excluir.
• Usa delimitadores. Envuelve la entrada en separadores claros - comillas triples, etiquetas al estilo XML o encabezados markdown - para que el modelo sepa dónde terminan las instrucciones y empiezan los datos. Esto también reduce el riesgo de que el texto proporcionado por el usuario se lea como instrucciones (ver prompt injection).
• Especifica el contrato de salida. Si otro programa va a leer la salida, indica la forma exacta (JSON válido con estas claves, sin prosa alrededor). Los modelos no respetan la estructura a menos que la exijas.

Las técnicas principales

Zero-shot prompting

Qué. Pídele al modelo que haga la tarea sin ejemplos, apoyándose únicamente en su conocimiento preentrenado.

Cuándo. Tareas simples y comunes que el modelo claramente ha visto antes (clasificación básica, resúmenes sencillos, preguntas generales).

Riesgo. Si la tarea es inusual o está lejos del entrenamiento del modelo, los resultados zero-shot pueden ser poco fiables - esa es tu señal para añadir ejemplos.

En el examen. Zero-shot significa sin ejemplos en el prompt. Su riesgo característico es un rendimiento pobre cuando la tarea está demasiado lejos de lo que el modelo aprendió.

One-shot y few-shot prompting (in-context learning)

Qué. Incluye uno (one-shot) o unos pocos (few-shot) ejemplos resueltos de entrada-y-salida-deseada en el prompt, para que el modelo infiera el patrón. Esto también se llama in-context learning, porque el modelo "aprende" la tarea a partir del contexto del prompt sin ninguna actualización de parámetros.

Cuándo. La tarea tiene un formato, un conjunto de etiquetas o un estilo específico que quieres que se replique de forma consistente - por ejemplo, clasificar mensajes en tus propias categorías, o ajustarse a un tono particular.

Cómo. Muestra de 2 a 5 ejemplos limpios y representativos que cubran el rango de casos, y luego da la nueva entrada. La consistencia del formato entre los ejemplos importa más que la cantidad.

En el examen. Few-shot learning e in-context learning son la misma idea: ejemplos en el prompt, sin reentrenamiento. Es la respuesta de referencia para "haz que el modelo siga un patrón o esquema de etiquetas específico sin fine-tuning".

Chain-of-thought (CoT) prompting

Qué. Pídele al modelo que razone paso a paso antes de dar la respuesta final, en lugar de saltar directamente a ella.

Cuándo. Problemas de varios pasos: aritmética, lógica, planificación, cualquier cosa donde ayude el razonamiento intermedio.

Cómo. O bien proporciona ejemplos que muestren el razonamiento (few-shot CoT), o simplemente añade un disparador como Let's think step by step para provocar el razonamiento sin ejemplos (zero-shot CoT).

En el examen. Chain-of-thought es la técnica característica para mejorar el rendimiento en razonamiento complejo de varios pasos.

Self-consistency

Qué. Ejecuta chain-of-thought varias veces (con algo de aleatoriedad) y luego toma la respuesta que aparece con más frecuencia entre las ejecuciones.

Cuándo. Razonamiento de alto riesgo donde una sola cadena podría fallar; muestrear varias y votar mejora la fiabilidad.

Role (persona) y system prompting

Qué. Dile al modelo quién debe ser - "Eres un asesor fiscal sénior", "Eres un revisor de código conciso". En los modelos de chat esto suele vivir en un system prompt separado que fija un comportamiento persistente.

Cuándo. Para fijar el tono, el nivel de experiencia o la perspectiva a lo largo de toda una conversación.

Cómo. Indica el rol, la audiencia y las restricciones desde el principio. Mantén el system prompt estable; varía el prompt del usuario.

Delimitadores y estructura

Qué. Usa marcadores explícitos para separar las partes de tu prompt (instrucciones vs datos vs ejemplos).

Por qué. Mejora la adherencia del modelo a cada sección y, lo que es importante, ayuda a evitar que una entrada no confiable se interprete como instrucciones.

Formato de salida

Qué. Especifica la forma exacta de la salida e, idealmente, pídele al modelo que envuelva la respuesta en etiquetas o que devuelva JSON estricto.

Por qué. Esencial cuando la salida alimenta a otro programa o modelo. Un contrato de salida explícito convierte un parseo inestable en pipelines fiables.

Prompt templates

Qué. Estructuras de prompt reutilizables y parametrizadas, con marcadores de posición que rellenas en tiempo de ejecución.

Por qué. Consistencia y mantenibilidad - tu aplicación produce el mismo prompt bien probado cada vez, variando solo la entrada. Las plataformas gestionadas suelen ofrecer funciones de prompt-template y prompt-management exactamente para esto.

Descomposición de tareas y prompt chaining

Qué. Divide un trabajo complejo en prompts más pequeños y alimenta la salida de cada paso al siguiente.

Cuándo. Una tarea es demasiado grande o de varias etapas para un solo prompt (extraer, luego analizar, luego redactar). Encadenar es más fiable que pedir todo de una vez, y cada paso es más fácil de probar.

ReAct (razonar + actuar)

Qué. Un patrón en el que el modelo alterna el razonamiento con acciones - llamar a herramientas, buscar o consultar datos - y luego observa el resultado y continúa. Es la idea de prompting que hay detrás de los agentes.

Cuándo. El modelo necesita información externa o debe realizar pasos en el mundo, no solo responder desde la memoria. (Esto conecta la ingeniería de prompts con los frameworks de agentes.)

Negative prompting

Qué. Indica explícitamente qué excluir o evitar - "No incluyas opiniones personales", "Excluye cualquier código" o, en los modelos de imagen, enumerar los elementos que no quieres.

Cuándo. Para descartar modos de fallo conocidos. Úsalo como un complemento puntual a las instrucciones en positivo, no como el prompt entero.

Los ajustes de inferencia que dan forma a la salida

El texto del prompt es solo la mitad de la historia. Estos parámetros de generación cambian la salida sin cambiar una palabra de tu prompt:

• Temperature - aleatoriedad. Un valor bajo (cercano a 0) da respuestas deterministas, repetibles y enfocadas; uno alto da respuestas creativas y variadas.
• Top-p (nucleus sampling) y top-k - limitan el conjunto de tokens candidatos siguientes de los que el modelo puede muestrear, otra palanca sobre la diversidad.
• Max tokens - limita la longitud de la respuesta.
• Stop sequences - cadenas que le dicen al modelo que deje de generar.

En el examen. "Haz las respuestas más consistentes o repetibles" significa bajar la temperature. Ten claro que la temperature y el top-p/top-k controlan la aleatoriedad y la diversidad, y se establecen en tiempo de inferencia, no se incrustan en el texto del prompt.

Dónde encaja el prompting frente a RAG y el fine-tuning

La ingeniería de prompts es lo primero que hay que probar, pero tiene límites. La escalera de personalización, de lo más barato primero:

• Ingeniería de prompts - da forma a las instrucciones. Sin conocimiento nuevo, sin reentrenamiento.
• RAG (retrieval-augmented generation) - inyecta tus propios datos actuales en el prompt en tiempo de consulta. Úsalo cuando el modelo necesita hechos para los que nunca fue entrenado, o cuando el conocimiento cambia con frecuencia.
• Fine-tuning - reentrena con ejemplos etiquetados para incorporar un comportamiento o estilo. Úsalo cuando el prompting y RAG aún no son lo bastante consistentes.

En el examen. Si un escenario necesita hechos privados o actualizados, el prompting por sí solo no basta - eso es RAG. Si necesita un comportamiento repetido de forma fiable o un estilo de dominio, eso es fine-tuning. El prompting es la respuesta cuando el modelo ya puede hacer la tarea y solo necesita una dirección más clara.

Seguridad de los prompts y uso responsable

Los prompts son una superficie de ataque. Los exámenes fundamentales evalúan esto dentro de IA responsable y seguridad:

• Prompt injection - un atacante oculta instrucciones en la entrada proporcionada por el usuario (o en un documento que el modelo lee) para anular tu system prompt y secuestrar el comportamiento del modelo o las acciones posteriores.
• Jailbreaking - prompts elaborados que eluden las guardrails de seguridad del modelo para producir salida restringida o dañina.
• Prompt leaking - inducir al modelo a que revele su propio system prompt oculto o su contexto confidencial.
• Adversarial prompting en general - el término paraguas para estas técnicas de manipulación.

Mitigaciones que debes conocer:

• Separa y delimita claramente las instrucciones confiables de la entrada no confiable del usuario; nunca las concatenes a ciegas.
• Valida y sanea las entradas; restringe lo que el modelo puede producir y hacer.
• Aplica guardrails / filtros de contenido y redacción de PII tanto en la entrada como en la salida.
• Da al modelo y a cualquier herramienta conectada un acceso de mínimo privilegio, para que una inyección exitosa no pueda hacer mucho.
• Mantén a una persona en el circuito para las acciones de alto riesgo.

El prompting también ayuda con la alucinación: fundamenta al modelo en hechos recuperados (RAG), pídele que cite fuentes y permite explícitamente el "no lo sé" para que deje de inventar respuestas. Bajar la temperature y añadir fundamentación reduce las tonterías dichas con seguridad.

Lista de comprobación de buenas prácticas

• Empieza simple; añade complejidad (ejemplos, razonamiento, encadenamiento) solo cuando el prompt simple falle.
• Sé específico: indica la tarea, la audiencia, las restricciones y el formato de salida exacto.
• Usa delimitadores para separar las instrucciones de los datos.
• Añade ejemplos (few-shot) cuando necesites un patrón específico; añade Let's think step by step cuando necesites razonamiento.
• Itera y prueba con entradas reales; los pequeños cambios de redacción importan.
• Baja la temperature para consistencia; súbela para creatividad.
• Trata la entrada del usuario como no confiable; delimítala, valídala y protege la salida.

La guía de decisión en 30 segundos

• Tarea simple y familiar -> zero-shot
• Necesitas un formato o esquema de etiquetas específico -> few-shot (in-context learning)
• Razonamiento de varios pasos -> chain-of-thought (añade Let's think step by step)
• Necesitas mayor fiabilidad en razonamiento difícil -> self-consistency (muestrea y vota)
• Fijar el tono o la experiencia a lo largo de un chat -> role / system prompt
• La salida alimenta a otro programa -> especifica un formato de salida estricto (JSON, etiquetas)
• Tarea demasiado grande para un solo prompt -> descompón y encadena
• El modelo necesita herramientas o datos en vivo -> ReAct / agentes
• Necesitas hechos privados o actuales -> RAG, no prompting
• Necesitas un comportamiento repetido de forma consistente -> fine-tuning, no prompting
• Haz la salida determinista -> baja la temperature

Certificaciones relacionadas

La ingeniería de prompts es central en todos los exámenes de IA generativa - esta guía aparece bajo Guías de estudio relacionadas en cada uno de sus hubs:

• AWS Certified AI Practitioner (AIF-C01) - evalúa directamente las técnicas de prompt, el in-context learning y los parámetros de inferencia.
• AWS Certified Generative AI Developer Professional (AIP-C01) - profundiza en la construcción con prompts, RAG y agentes.
• Microsoft Azure AI Fundamentals (AI-900 / AI-901) - fundamentos de IA generativa y de prompting.
• Google Cloud Generative AI Leader - diseño de prompts y uso de foundation models.
• NVIDIA-Certified Associate: Generative AI and LLMs (NCA-GENL) - prompting y adaptación de LLM.
• Claude Certified Architect - Foundations (CCA-F) - hacer prompting a Claude de forma efectiva.
• IBM watsonx Generative AI Engineer Associate - fundamentos de IA generativa.

Cómo estudiar esto

Para un examen, practica emparejar un escenario con una técnica, y conoce las fronteras que hacen tropezar a la gente: zero-shot vs few-shot, chain-of-thought como la herramienta de razonamiento, temperature como la palanca de consistencia y - la más importante - prompting vs RAG vs fine-tuning (dirigir vs añadir hechos vs cambiar el comportamiento). Para el trabajo real, mantén los prompts específicos, delimitados y probados, y trata cada cadena proporcionada por el usuario como no confiable. Haz preguntas de práctica con la guía de decisión en 30 segundos abierta, y cuando falles una, relee esa técnica aquí hasta que la distinción quede nítida.

Fuente: la guía del examen AWS Certified AI Practitioner (AIF-C01) y sus dominios de preguntas, además de referencias estándar de ingeniería de prompts, a fecha de septiembre de 2026.