Guía Completa de Ingeniería de Prompts (2026)

Lee de arriba a abajo para una comprensión completa, o salta a una sección:

1. Qué es la ingeniería de prompts (y qué no) en 2026.

2. La anatomía de un prompt — seis componentes.

3. Prompting zero-shot vs few-shot.

4. Técnicas de chain-of-thought y razonamiento.

5. Prompting con rol y persona.

6. Salida estructurada y control de formato.

7. Cómo difieren los grandes proveedores (OpenAI, Claude, Gemini).

8. Errores comunes que dañan la salida.

9. Un flujo de trabajo práctico para escribir e iterar prompts.

10. Fuentes y lecturas adicionales.

Una definición útil: la ingeniería de prompts es el diseño sistemático de entradas del modelo — y la evaluación de salidas del modelo — para hacer que el comportamiento de un LLM sea confiable para una tarea específica. La Guía de Ingeniería de Prompts DAIR.ai la describe como una disciplina para desarrollar y optimizar prompts para usar modelos de lenguaje eficientemente en aplicaciones.

Qué no es: una bolsa de palabras mágicas. Los trucos de 'ignorar instrucciones anteriores' y las frases de manipulación emocional que circulaban en guías tempranas son poco confiables y, en producción, mostly ruido. La ingeniería de prompts moderna es más cercana a la escritura de especificaciones — estás describiendo con precisión una tarea, sus restricciones, y su contrato de salida.

Tampoco es un acto único. La verdadera ingeniería de prompts incluye medición: escribes un prompt, lo ejecutas contra entradas representativas, observas dónde falla, y revisas. Los equipos que obtienen salida confiable tratan los prompts como código — versionados, probados contra ejemplos, y mejorados basándose en fallos observados, no en conjeturas. Learn Prompting es un buen curso estructurado sobre los fundamentos si comienzas desde cero.

La mayoría de los prompts confiables contienen algún subconjunto de seis componentes. No todos los prompts necesitan los seis, pero nombrarlos te ayuda a diagnosticar qué falta cuando la salida decepciona.

**1. Rol / persona** — quién debe actuar el modelo ('Eres un analista financiero senior'). Establece vocabulario, profundidad y suposiciones.

**2. Tarea / instrucción** — la solicitud real, declarada como un imperativo directo ('Resume el informe de abajo en cinco puntos clave').

**3. Contexto** — el material que el modelo necesita: el documento, los datos, el trasfondo. Proporcionado en línea o mediante recuperación.

**4. Ejemplos** — cero o más demostraciones entrada→salida (la diferencia entre zero-shot y few-shot, abajo).

**5. Restricciones** — longitud, tono, qué evitar, qué hacer cuando es incierto ('Si el documento no lo dice, escribe "no especificado" — no adivines').

**6. Formato de salida** — la forma exacta que deseas: esquema JSON, una tabla, una lista numerada, una plantilla específica.

Una estructura trabajada:

``` Eres un editor de copias B2B. (rol) Reescribe la descripción del producto de abajo por claridad y concisión. (tarea) Descripción del producto: <texto...> (contexto) Ejemplo del estilo que queremos: <un par antes/después> (ejemplo) Mantente bajo 80 palabras, voz activa, sin superlativos. (restricciones) Devuelve solo la descripción reescrita, sin preámbulo. (formato de salida) ```

Cuando la salida es incorrecta, esta lista es tu checklist: rol faltante, tarea vaga, restricciones ausentes, o un formato no especificado explica la gran mayoría de resultados malos. Herramientas como el generador de Descripción de Producto y Generador de Correos Comerciales cimentan esta estructura.

El prompting zero-shot da al modelo una instrucción sin ejemplos y se basa en lo que aprendió en el entrenamiento. Es el default correcto cuando la tarea es común y bien especificada ('Traduce esto al francés', 'Clasifica esta reseña como positiva/negativa/neutral'). Es barato y rápido.

El prompting few-shot incluye un puñado de ejemplos entrada→salida en el prompt antes de la entrada real. El modelo infiere el patrón de las demostraciones. Esta técnica — aprendizaje en contexto — fue popularizada por Brown et al., 2020 (GPT-3, 'Language Models are Few-Shot Learners', arXiv:2005.14165), que mostró que los modelos grandes pueden realizar tareas desde unos pocos ejemplos sin actualizaciones de pesos.

Usa few-shot cuando: la tarea tiene un formato específico que no puedes describir fácilmente con palabras pero puedes mostrar fácilmente; el modelo sigue equivocándose en el estilo o casos límite zero-shot; o necesitas estructura consistente en muchas llamadas. Dos a cinco ejemplos bien elegidos generalmente superan una larga descripción en prosa.

Notas prácticas: haz que los ejemplos sean representativos de los casos difíciles, no de los fáciles; mantén el formato idéntico en todos los ejemplos (el modelo copia tus inconsistencias); y recuerda que cada ejemplo son tokens de entrada que pagas en cada llamada, así que favorece menos demostraciones de alta calidad. Ver la sección few-shot DAIR.ai para más patrones. Nuestro 12 Patrones de Prompt que Convierten muestra few-shot en forma copiable.

El prompting chain-of-thought (CoT) pide al modelo razonar paso a paso antes de dar una respuesta final. Fue introducido por Wei et al., 2022 ('Chain-of-Thought Prompting Elicits Reasoning in Large Language Models', arXiv:2201.11903), que mostró que pedir a los modelos que produzcan pasos de razonamiento intermedios mejora sustancialmente el desempeño en tareas de aritmética, sentido común, y razonamiento simbólico.

En la práctica CoT es tan simple como agregar 'Piensa esto paso a paso antes de responder' o mostrar ejemplos few-shot que incluyan el razonamiento. Para problemas multi-paso — problemas de palabras matemáticas, decisiones con múltiples restricciones, depuración — aumenta confiablemente la precisión. El trade-off es más tokens de salida (y así costo y latencia), y los modelos modernos ajustados para razonamiento a menudo hacen esto internamente, así que CoT explícito ayuda menos que antes en modelos de nivel superior.

Más allá de CoT simple, dos extensiones influyentes: ReAct (Yao et al., 2023, arXiv:2210.03629) intercala razonamiento con acciones de herramientas, la base de la mayoría de bucles de agentes; y Árbol de Pensamientos (Yao et al., 2023, arXiv:2305.10601) explora múltiples ramas de razonamiento y retrocede, útil para problemas de búsqueda/planificación difíciles donde una cadena única no es suficiente.

Cuándo usar qué: CoT simple para razonamiento multi-paso cotidiano; ReAct cuando el modelo necesita herramientas externas a mitad del razonamiento; Árbol de Pensamientos solo cuando un problema genuinamente se beneficia de explorar y podar alternativas (es costoso). Para la mayoría de los prompts, simple paso a paso es suficiente. Mantenemos las cifras subyacentes en nuestra calculadora de costo de prompts de IA — reverificada mensualmente contra la página de precios del proveedor. <!-- calc-link-mesh:v2 -->

Asignar un rol ('Eres una enfermera pediátrica experimentada', 'Actúa como un capitalista de riesgo escéptico') apunta el modelo hacia un vocabulario, profundidad, y conjunto de prioridades. Es una de las técnicas de mayor apalancamiento y menor esfuerzo: un buen rol puede transformar una respuesta genérica en una apropiada para el dominio sin ningún otro cambio.

Los roles funcionan mejor cuando son específicos y vinculados a la tarea. 'Eres un asistente útil' no agrega nada. 'Eres un redactor técnico que explica APIs a desarrolladores junior, favoreciendo ejemplos concretos sobre abstracciones' da forma significativamente a la salida. Combina el rol con la audiencia ('explicando a un ejecutivo no técnico') para resultados más afilados.

Una advertencia: un rol da priming de estilo y marco, pero no otorga al modelo conocimiento o juicio que no tiene. Decirle a un modelo que es un 'doctor de clase mundial' no hace que sus afirmaciones médicas sean confiables — aún necesitas fuentes reales y revisión humana para algo de alto riesgo. Usa roles para dar forma a la forma y énfasis, no para fabricar autoridad. Nuestro Generador de Voz de Marca y Generador de Persona de Cliente son prompting con rol en forma productizada.

Si estás alimentando la salida del modelo en otro software, necesitas que esté en una forma predecible — JSON, CSV, una plantilla fija. El enfoque más confiable combina tres cosas: (1) declara el formato explícitamente y muestra el esquema exacto; (2) proporciona un ejemplo trabajado del formato; y (3) donde el proveedor lo soporta, usa una característica de salida estructurada / modo JSON o llamada de función que restrinja el modelo a salida válida.

Técnicas del lado del prompt que ayudan incluso sin un modo de salida estructurada: proporciona el esquema objetivo en línea ('Devuelve JSON que coincida con: {"nombre": string, "puntuación": 0-100}'); instruye 'Devuelve solo JSON válido, sin vallas de markdown, sin comentario'; y especifica cómo manejar campos faltantes ('usa null cuando sea desconocido'). Mostrar un resultado de ejemplo completo vale más que un párrafo de descripción.

Para aplicaciones modernas, prefiere la característica nativa de salida estructurada o llamada de herramienta del proveedor sobre pure prompting — restringe la generación así la salida analiza de forma confiable, que prompting solo no puede garantizar completamente. Ver la guía de ingeniería de prompts OpenAI y descripción general de ingeniería de prompts Claude para orientación específica del proveedor sobre salida estructurada. Si deseas un prompt de salida JSON copiable, el Generador de Prompts de Código genera uno.

El mismo prompt no se comporta idénticamente en OpenAI, Anthropic y Google. Las técnicas clave se transfieren, pero cada proveedor tiene convenciones y un estilo de casa que vale la pena aprender. Siempre consulta la documentación en vivo — la tabla más adelante en esta guía resume las guías oficiales.

OpenAI enfatiza instrucciones claras, delimitadores para separar secciones, e poner instrucciones al inicio; su guía de ingeniería de prompts es la referencia canónica, y la referencia de API documenta parámetros de muestreo como temperatura y top_p.

Claude de Anthropic responde especialmente bien a la estructura clara y está documentado alrededor de usar etiquetas de estilo XML para delimitar secciones, ser explícito, y dar al modelo espacio para pensar; ver la descripción general de ingeniería de prompts Claude.

Gemini de Google tiene su propia guía de estrategias de prompting cubriendo claridad de instrucciones, ejemplos, y restricciones. En la práctica: escribe tu prompt siguiendo las convenciones del proveedor más estructurado, luego prueba en los otros. La fluidez multi-proveedor es una habilidad central 2026 — la mayoría de los equipos no son de un solo proveedor, y las diferencias de comportamiento (sensibilidad a rechazos, adherencia a formato, estilo de razonamiento) son reales.

**Instrucciones vagas.** 'Hazlo mejor' no tiene objetivo. Especifica qué significa 'mejor': más corto, más formal, menos afirmaciones, una estructura específica.

**Sin restricción en la incertidumbre.** Si no le dices al modelo qué hacer cuando no sabe, adivina — y adivina fluidamente. Siempre incluye 'Si no estás seguro o el contexto no lo dice, decláralo explícitamente en lugar de adivinar.'

**Contexto sobrecargado.** Volcar todo en el prompt entierra la parte relevante e infla el costo. Proporciona el contexto mínimo relevante; para corpus grandes, recupera los chunks relevantes en lugar de pegarlo todo.

**Ignorar seguridad.** El texto proporcionado por el usuario en un prompt es una superficie de ataque. La inyección de prompts es el riesgo #1 en el Top 10 LLM OWASP (LLM01:2025), y la fuga de prompt del sistema es LLM07:2025. Nunca confíes en que un prompt del sistema es secreto, y separa el contenido del usuario no confiable de las instrucciones claramente.

**Tratar roles como conocimiento.** Un rol da forma al estilo, no a los hechos. La salida de alto riesgo aún necesita fuentes reales y revisión humana.

**No medir.** Juzgar un prompt desde uno o dos ejemplos es cómo los fallos sutiles se envían. Ejecútalo contra un conjunto representativo de entradas y observa los fallos antes de implementar.

Juntándolo todo, aquí hay un flujo de trabajo repetible que supera adivinar una sola vez.

1. **Especifica la tarea con precisión** — entrada, salida, criterios de éxito. Escribe cuál es una respuesta perfecta antes de escribir el prompt.

2. **Borrador usando los seis componentes** — rol, tarea, contexto, ejemplos (si es necesario), restricciones, formato de salida.

3. **Prueba en entradas representativas** — incluyendo los casos difíciles y raros, no solo el caso de demostración fácil.

4. **Diagnostica fallos contra la anatomía** — ¿cuál componente falta o es poco claro? Agrega una restricción, arregla la especificación de formato, agrega un ejemplo.

5. **Agrega CoT o few-shot solo si es necesario** — comienza simple; recurre a estos solo cuando un prompt más simple provadamente falla.

6. **Versiona y re-prueba** — mantén los prompts en control de versión, anota qué cambió y por qué, y re-ejecuta tu conjunto de prueba.

Este bucle es la diferencia entre prompts que funcionan en una demostración y prompts que aguantan en producción. Para comenzar un borrador rápidamente, ejecuta la tarea a través del Generador de Prompts ChatGPT o Generador de Prompts de Código, luego refina usando este flujo de trabajo. Para un análisis más profundo de la mecánica del modelo detrás de todo esto, ver Cómo Funcionan Realmente los LLMs — para Escritores de Prompts.

Investigación fundamental y guías canónicas referenciadas arriba (a partir de junio 2026):

Guía de Ingeniería de Prompts DAIR.ai: https://www.promptingguide.ai/

Learn Prompting: https://learnprompting.org/

Guía de ingeniería de prompts OpenAI: https://platform.openai.com/docs/guides/prompt-engineering ; Referencia de API OpenAI (parámetros de muestreo): https://platform.openai.com/docs/api-reference/chat

Descripción general de ingeniería de prompts Claude: https://docs.claude.com/en/docs/build-with-claude/prompt-engineering/overview

Estrategias de prompting Gemini: https://ai.google.dev/gemini-api/docs/prompting-strategies

Chain-of-Thought (Wei et al., 2022): https://arxiv.org/abs/2201.11903 ; Few-shot/GPT-3 (Brown et al., 2020): https://arxiv.org/abs/2005.14165 ; ReAct (Yao et al., 2023): https://arxiv.org/abs/2210.03629 ; Árbol de Pensamientos (Yao et al., 2023): https://arxiv.org/abs/2305.10601

Top 10 LLM OWASP (seguridad): https://genai.owasp.org/llm-top-10/