Técnicas en Ingeniería de Prompts
Idea clave
Podemos dividir las estrategias en tres niveles de sofisticación: razonamiento avanzado, estructura técnica y seguridad/ética.
1. Tres niveles de sofisticación
- 🧠 Razonamiento Avanzado
- 🧩 Estructura y Sintaxis
- 🛡️ Seguridad y Ética
Técnicas que fuerzan al modelo a "pensar" antes de responder.
- Chain of Thought (CoT): al añadir "piensa paso a paso", la precisión en tareas lógicas aumenta hasta un 40%.
- Tree of Thoughts (ToT): el modelo explora múltiples rutas de razonamiento en paralelo y selecciona la mejor, superando a CoT en un +12% en problemas complejos.
- Self-Consistency: se generan varias respuestas al mismo prompt y se elige la más común (voto mayoritario), reduciendo errores aleatorios en un 18%.
El uso de una sintaxis clara evita que el modelo confunda tus instrucciones con los datos que debe procesar:
- Delimitadores: usar caracteres como
###o"""para separar secciones (p. ej. Contexto vs. Instrucción) reduce la ambigüedad. - Etiquetas XML: formatos como
<instrucciones>o<ejemplos>permiten que el modelo se refiera a partes específicas del prompt con mayor precisión. - Prompt Chaining: en lugar de una orden gigante, se divide la tarea en 3-5 prompts secuenciales, mejorando la calidad un 35% al enfocar la "atención" del modelo en cada paso.
Diseñar prompts seguros y neutros es tan importante como optimizarlos:
- Mitigación de inyecciones: validar las entradas del usuario para evitar que "anulen" las instrucciones del sistema con comandos maliciosos.
- Control de sesgos: redactar de forma neutra (p. ej. ¿Qué efectos tiene X? en lugar de ¿Por qué X es malo?) evita activar el sesgo de confirmación del modelo.
- Higiene de datos: se recomienda anonimizar información sensible y priorizar modelos locales cuando la privacidad sea crítica.
2. Tabla comparativa de técnicas
| Técnica | Descripción | Beneficio principal | Mejor caso de uso |
|---|---|---|---|
| Zero-Shot | Realiza una tarea sin ejemplos previos, solo con instrucciones. | Máxima sencillez y menor consumo de tokens. | Tareas simples, hechos directos o traducción básica. |
| Few-Shot | Incluye de 1 a 5 ejemplos de "entrada-salida" antes de la petición. | Mejora la consistencia del formato en un 58%. | Clasificación compleja o generación con estilo específico. |
| Chain of Thought (CoT) | Añade la instrucción "piensa paso a paso" para forzar el razonamiento lógico. | Aumenta la precisión en tareas lógicas un 40%. | Matemáticas, lógica y depuración de código (debugging). |
| Tree of Thoughts (ToT) | El modelo explora múltiples rutas de razonamiento en paralelo y elige la mejor. | Supera a CoT en un 12% en problemas muy complejos. | Planificación estratégica y resolución de problemas multi-variable. |
| Self-Consistency | Genera varias respuestas al mismo prompt y elige la más común (voto mayoritario). | Mejora la fiabilidad en un 18% al reducir errores aleatorios. | Decisiones críticas o verificaciones de datos en producción. |
| Prompt Chaining | Divide una tarea gigante en una secuencia de 3 a 5 prompts más pequeños. | Mejora la calidad un 35% al enfocar la atención en cada paso. | Flujos de trabajo largos como informes académicos o análisis de datos. |
| Self-Refine | El modelo genera una respuesta, la critica a sí mismo y la mejora. | Aumenta la calidad del contenido escrito en un 33%. | Redacción de artículos, código complejo o refinamiento de estilo. |
| RAG (Manual) | Proporciona documentos o fragmentos de información externa directamente en el prompt. | Elimina la dependencia exclusiva del entrenamiento y reduce alucinaciones. | Consultas sobre datos privados o información muy reciente. |
3. Infografía
4. Ejemplos de técnicas
🧪 Técnicas de prompting
5. Resumen rápido por objetivo
| Tu objetivo | Técnica recomendada |
|---|---|
| 💰 Ahorrar tokens al máximo | Zero-Shot |
| 🎨 Fijar formato o estilo | Few-Shot |
| 🧮 Resolver lógica o matemáticas | Chain of Thought (CoT) |
| 🧭 Problemas multi-paso complejos | Tree of Thoughts (ToT) |
| ✅ Máxima fiabilidad en producción | Self-Consistency |
| 🔗 Tareas largas en varios pasos | Prompt Chaining |
| ✍️ Refinar texto o código | Self-Refine |
| 🔒 Datos privados / información reciente | RAG (Manual) |
Conclusión
No hay una técnica "mejor" que otra: depende de si priorizas el ahorro de tokens (Zero-Shot) o la precisión máxima (ToT o Self-Consistency). La clave está en combinar varias según el contexto de cada tarea.