La ingeniería de prompts consiste en saber plantear las preguntas adecuadas a la inteligencia artificial. En términos sencillos, esto significa redactar instrucciones claras para herramientas como ChatGPT. Sin embargo, mucha gente sigue introduciendo preguntas vagas y acaba sintiéndose decepcionada. Unas indicaciones mejores dan lugar a respuestas mejores. Por lo tanto, esta habilidad permite ahorrar tiempo y mejorar la calidad de los resultados. En esta guía, explicamos la ingeniería de indicaciones paso a paso. Además, compartimos ejemplos concretos que puedes poner en práctica desde hoy mismo. De este modo, sacarás más partido a las herramientas de IA del día a día, incluso sin tener ningún conocimiento de programación.
¿Qué es la ingeniería de prompts?
La ingeniería de prompts consiste en diseñar el texto que envías a un modelo de IA. A este texto lo llamamos «prompt». Dado que los modelos lingüísticos predicen las palabras a partir de patrones, tu formulación determina el resultado. Por lo tanto, pequeños cambios pueden producir resultados muy diferentes. Por ejemplo, «escribe un resumen» sigue siendo vago y abierto. En cambio, «resume este informe en cinco puntos clave para directivos muy ocupados» ofrece una orientación clara.
Un buen prompt aporta tres elementos al modelo. En primer lugar, define una tarea clara. En segundo lugar, añade un contexto útil. En tercer lugar, especifica el formato deseado. De este modo, el modelo aprende qué hacer, por qué y cómo. Este principio se aplica a numerosas herramientas, desde las funciones de IA generativa en las aplicaciones de chat hasta los asistentes de programación. Además, esto no afecta al modelo en sí. Al contrario, solo modifica tu entrada. Por eso, casi todo el mundo puede aprenderlo rápidamente.
Cómo redactar una instrucción clara
Puedes mejorar casi cualquier instrucción gracias a una estructura sencilla. En primer lugar, asigna un papel al modelo. Por ejemplo, pídele que actúe como un profesor paciente o un editor riguroso. Este paso marca el tono desde el principio. A continuación, añade contexto. Explica a quién va dirigida la respuesta y por qué es importante. Al reducir el contexto las opciones posibles, el modelo se mantiene centrado en el objetivo. En tercer lugar, expón claramente tus restricciones. Puedes solicitar un número concreto de palabras, un nivel de lectura o un formato específico. De este modo, recibirás la respuesta lista para usar.
También puedes mostrar un ejemplo al modelo. Este método, denominado «few-shot prompting», orienta el estilo y la estructura. Por ejemplo, pega un ejemplo de respuesta antes de tu solicitud propiamente dicha. Así, el modelo reproducirá el estilo que te guste. Además, puedes pedirle al modelo que razone paso a paso. Esta solicitud suele mejorar la lógica y los cálculos matemáticos. Sin embargo, asegúrate de que cada instrucción sea breve y sencilla. Las instrucciones largas y enrevesadas desorientan al modelo. Por lo tanto, divide las tareas extensas en pequeños pasos. Al fin y al cabo, un modelo de IA se limita a seguir la señal más clara que pueda encontrar.
Ejemplos eficaces de ingeniería de prompts
Los ejemplos de ingeniería de prompts ilustran estas ideas. Veamos, pues, algunas mejoras rápidas. Imagina que quieres un texto de marketing. Una instrucción poco eficaz diría: «Escribe un anuncio». » Una indicación eficaz diría: «Escribe tres titulares publicitarios breves para una aplicación de viajes económicos dirigida a estudiantes». Como la segunda versión especifica el público objetivo y el formato, el resultado mejora de inmediato.
Veamos ahora una tarea de estudio. En lugar de «explica la fotosíntesis», prueba con «explica la fotosíntesis a un niño de diez años utilizando un ejemplo de la vida cotidiana». De este modo, la respuesta resulta clara y accesible. También puedes afinar tus peticiones de código. Por ejemplo, pide al modelo que «revise esta función y enumere tres posibles errores». Así obtendrás una respuesta concreta en lugar de una respuesta vaga. Por último, no olvides que la iteración es esencial. Es raro que la primera indicación dé un resultado perfecto. Por lo tanto, lee el resultado y ajústalo detalle a detalle. Además, guarda las indicaciones que funcionen bien. Con el tiempo, irás creando tu propia biblioteca de ejemplos de «ingeniería de prompts».
Ingeniería de contexto frente a ingeniería de prompts
Recientemente, ha surgido un nuevo término junto a la ingeniería de prompts. Ahora se debate sobre la ingeniería de contexto frente a la ingeniería de prompts. ¿Cuál es, pues, la verdadera diferencia? La ingeniería de prompts se centra en la única instrucción que redactas. Por el contrario, la ingeniería de contexto se centra en todo lo que el modelo puede percibir. Esta visión más amplia incluye documentos, mensajes anteriores y datos relacionados.
Estas dos habilidades van de la mano. Por ejemplo, puedes redactar una instrucción precisa al tiempo que proporcionas al modelo un archivo relevante. Como el modelo analiza ambos, la respuesta gana en precisión. Además, las herramientas más avanzadas ahora gestionan este contexto por ti. Extraen la información relevante antes de que el modelo responda. Sin embargo, tu instrucción sigue siendo el factor principal. Por eso es esencial que las instrucciones sean claras, incluso cuando el contexto es muy rico. Detrás de estas herramientas se esconde una arquitectura de modelo lingüístico a gran escala que evalúa cada token que proporcionas. Por lo tanto, la calidad de tus entradas sigue siendo determinante para la calidad de tus resultados.
Errores comunes que hay que evitar
Los principiantes tienden a repetir algunos errores evidentes. En primer lugar, muchos redactan indicaciones demasiado generales. El modelo se ve entonces obligado a adivinar y, a menudo, se equivoca. En segundo lugar, algunos usuarios amontonan cinco peticiones en una sola línea. Es mejor pedir una cosa cada vez. En tercer lugar, a menudo se olvida especificar a quién va dirigida la respuesta. Dado que el público determina el tono que hay que adoptar, este detalle reviste gran importancia.
Cuando practiques la ingeniería de prompts de ChatGPT, prueba pequeños cambios y compara las respuestas. Este rápido hábito te permite descubrir qué es lo que realmente funciona. Además, no confundas la formulación de las indicaciones con el entrenamiento. El ajuste fino (fin-tuning) remodela un modelo utilizando nuevos datos, lo que requiere costes y conocimientos especializados. La ingeniería de prompts, por el contrario, solo modifica tus palabras. Por lo tanto, sigue siendo gratuita, rápida y accesible para todos. En general, la ingeniería de prompts sigue siendo la forma más sencilla de obtener mejores resultados en materia de IA. Empieza por definir una tarea clara, añade contexto y especifica el formato. A continuación, ve perfeccionándola hasta que el resultado sea satisfactorio. Si quieres consejos más detallados, las guías de OpenAI y Anthropic explican los modelos avanzados.