Diseño avanzado de prompts

Cómo crear bibliotecas de prompts reutilizables: de fragmentos a plantillas compartidas

Cuando se repite una tarea asistida por IA, una biblioteca de prompts puede hacer que el flujo sea más fácil de reproducir y evaluar. Un sistema práctico para capturar, probar, versionar y compartir plantillas.

10 min de lectura

Cómo elegir y usar prompts con modelos de razonamiento

Los ajustes de razonamiento cambian la calidad, la latencia, el coste y, en ocasiones, el comportamiento ante los prompts. Una guía práctica para elegirlos mediante evaluaciones, no por creencias populares.

12 min de lectura

Ingeniería de contexto: cómo gestionar ventanas de 1M de tokens sin degradar la calidad

Las ventanas de contexto de 1M de tokens existen, pero la calidad se degrada mucho antes de alcanzar ese límite. La ingeniería de contexto determina qué incluir, qué resumir, qué recuperar en el momento necesario y qué patrones mantienen la calidad a medida que aumenta el contexto.

Más sobre este tema

10 min de lectura

Cadena de pensamiento, autocrítica y árbol de pensamientos: cuándo usar cada técnica

Tres técnicas de razonamiento que pueden mejorar los resultados de la IA en problemas complejos y el balance entre costes y beneficios de utilizarlas. Con prompts concretos, comparaciones directas y las particularidades de los modelos de razonamiento modernos.

12 min de lectura

Elegir entre prompting, RAG y fine-tuning (y cuándo combinarlos)

El prompting, RAG y el fine-tuning son las tres grandes palancas para adaptar los LLM a un problema. Cada una resulta adecuada en situaciones diferentes. Este marco ayuda a elegir, explica sus costes reales y muestra los patrones de producción en los que conviene combinarlas.

12 min de lectura

Diseñar prompts para producción: capas del sistema, del desarrollador y del usuario

Un patrón de gobernanza para separar las instrucciones fiables, los datos en tiempo de ejecución y la entrada del usuario, y después versionar, evaluar, desplegar y observar los prompts según el riesgo.

7 min de lectura

Elegir el modelo adecuado para cada tarea: guía rápida para 2026

Qué modelo elegir según el tipo de tarea: GPT, Claude, Gemini, variantes de razonamiento y opciones con pesos abiertos, con reglas de decisión y ejemplos de mediados de 2026 en vez de una clasificación atemporal.

Principiante

13 min de lectura

Salidas estructuradas y llamadas a funciones: patrones para producción

Las salidas estructuradas y las llamadas a funciones convierten un «modelo de lenguaje que genera texto» en un «sistema que ejecuta tareas». En producción importan los esquemas, la gestión de errores, la idempotencia y la degradación controlada, no solo el modo JSON.

29 minutos

Árbol de pensamientos: resolución deliberada de problemas con grandes modelos de lenguaje (revisión completa del artículo académico)

Yannic Kilcher. Yannic recorre el artículo académico original sobre el árbol de pensamientos de Princeton/DeepMind: el ciclo de generar, puntuar, podar y retroceder; por qué eleva la precisión en el juego del 24 del 4% al 74%; y cuándo la técnica deja de compensar por multiplicar por 10 el coste en tokens. Resulta útil precisamente porque obliga a entender ToT como un algoritmo de búsqueda, no como un prefijo mágico para un prompt.

25 minutos

Fundamentos del prompting

Anthropic. Dos miembros del equipo de IA aplicada de Anthropic construyen en directo un prompt para un caso real, añadiendo un rol, secciones estructuradas y pasos de razonamiento explícitos. Es la demostración más convincente de YouTube sobre «cómo usar la cadena de pensamiento sin convertirla en un ritual» y materializa la recomendación del artículo de «dejar de pegar “pensemos paso a paso” en todo».

22 minutos

Ingeniería de contexto para agentes

LangChain. El marco de Lance Martin —escribir, seleccionar, comprimir y aislar— incluye ejemplos concretos de cuándo resumir un historial de acciones, cuándo descargar el estado en archivos y cuándo iniciar subagentes únicamente para proteger el contexto del agente principal. Se corresponde casi directamente con la sección del artículo sobre la gestión práctica de ventanas de 1M tokens.

8 minutos

Degradación del contexto: cómo afecta el aumento de tokens de entrada al rendimiento de los LLM

Chroma. Kelly Hong recorre la investigación de Chroma con 18 modelos: por qué las puntuaciones de «aguja en un pajar» resultan engañosas, cómo se degrada el rendimiento con la ambigüedad y los elementos distractores, y por qué incluso las tareas sencillas de repetición de cadenas empeoran a partir de 500 tokens. Es breve, se basa en pruebas y presenta exactamente el riesgo que el artículo exige comprender antes de abordar las operaciones de ingeniería.

3 minutos

Cómo se creó OpenAI o1

OpenAI. Este vídeo de tres minutos registra cómo presentó OpenAI o1 en su lanzamiento. Sirve para entender la historia de la categoría, pero no establece cómo funcionan internamente los modelos actuales ni qué patrón de prompting rendirá mejor con otro proveedor o tarea.

28 minutos

o1: ¿qué está pasando? Por qué o1 constituye un 3.er paradigma de modelo y 10 cosas que quizá no sepas

AI Explained. El vídeo ofrece una explicación independiente del planteamiento inicial de o1 y sus implicaciones para el prompting. Es contexto histórico útil, pero sus afirmaciones sobre o1 no deben extenderse automáticamente a modelos posteriores de OpenAI, R1, los modos de pensamiento de Claude u otros proveedores.

9 minutos

RAG frente a ajuste fino

IBM Technology. Se centra en las dos técnicas que los equipos confunden con mayor frecuencia. Profundiza en la vigencia de los datos, la atribución de fuentes y la ventaja de velocidad durante la inferencia que puede aportar el fine-tuning. Merece la pena verlo si necesitas argumentar contra un proyecto de fine-tuning innecesario.

13 minutos

RAG vs Fine-Tuning vs Prompt Engineering: Optimizando modelos de IA

IBM Technology. Es un repaso claro en la pizarra de las tres técnicas y sus costes respectivos —latencia de recuperación, cómputo de entrenamiento, olvido catastrófico y límites de las soluciones basadas únicamente en prompts—, además de las combinaciones que tienen sentido en producción. El ejemplo final de un sistema de IA jurídica que utiliza las tres técnicas coincide casi exactamente con el argumento del artículo sobre cuándo combinarlas.

77 minutos

Ingeniería de prompts de IA: un análisis profundo

Anthropic. Cuatro especialistas en prompts de Anthropic —investigación, alineación, IA aplicada y relaciones con desarrolladores— explican en detalle su trabajo cotidiano: cómo editan prompts bajo presión, cómo entienden la «honestidad» en las instrucciones y cuándo ayudan las estructuras XML o cuándo no. El modelo por capas del artículo encaja directamente con su descripción del trabajo; es la mejor forma de escuchar ese modelo mental expresado en voz alta.

25 minutos

Fundamentos del prompting | Programar con Claude

Anthropic. Es una sesión de creación en directo en la que el equipo de IA aplicada de Anthropic trabaja con un prompt para reclamaciones de seguros: parte de una instrucción imprecisa e itera hasta obtener algo que un desarrollador llevaría realmente a producción. De este modo muestra las revisiones de las capas del sistema y del desarrollador descritas por el artículo. Conviene verlo antes de releer la lista de comprobación sobre ejemplos, estructura de salida y gestión de rechazos.

10 minutos

El mejor prompt de ChatGPT que he creado: dediqué 2 meses a perfeccionar este prompt para escribir prompts

Lawton Learns. El vídeo muestra un metaprompt C.R.A.F.T. —Context, Role, Action, Format y Target audience—. Es un candidato útil para probar cómo se comporta un prompt que genera prompts, pero sus salidas no tienen garantizadas la coherencia, la corrección ni la adecuación a los casos de un equipo.

20 minutos

El curso de 9 horas de Google sobre ingeniería de prompts de IA, resumido en 20 minutos

Tina Huang. Tina presenta un marco de cinco partes —tarea, contexto, referencias, evaluación e iteración— y cuatro técnicas de iteración. Pueden ayudarte a crear un esquema candidato, pero los ejemplos de agentes y cadena de pensamiento reflejan la época y el contexto del curso. Prueba cada patrón extraído con casos representativos antes de incorporarlo a una biblioteca aprobada.

41 minutos

OpenAI DevDay 2024 | Salidas estructuradas para aplicaciones fiables

OpenAI. Recorre `strict: true`, la diferencia respecto al antiguo modo JSON, la gestión de rechazos y la manera en que se combinan las llamadas a funciones con los esquemas de formato de respuesta. Resulta útil precisamente porque describe el contrato que ofrece la API, sobre el que se construyen los patrones para producción del artículo.

18 minutos

Pydantic es todo lo que necesitas: Jason Liu

AI Engineer. Es la charla que consolidó el patrón moderno de «definir un modelo Pydantic, entregárselo al LLM y dejar que la validación se encargue del resto», con ejemplos concretos de objetos anidados, validadores que detectan URL inventadas y Chain-of-Thought (cadena de pensamiento) como campo tipado. Al verla antes de releer la sección del artículo sobre validadores, reconocerás el origen de sus reglas de reintento y rechazo.