Gen AI Leader
Deep Dive
La forma en que se redacta un prompt afecta directamente la calidad, precisión y utilidad de la respuesta de un LLM. El GENAI-L espera que reconozcas las técnicas básicas de prompting y sepas cuándo escalar a técnicas avanzadas como chain-of-thought o ReAct.
Contenido
El prompt engineering es la práctica de diseñar y refinar las instrucciones que se envían a un LLM (el prompt) para obtener el resultado deseado de forma más confiable y precisa, sin modificar los pesos del modelo.
Por qué importa
Un mismo modelo puede dar resultados muy distintos según cómo se le pida la tarea: un prompt vago produce respuestas genéricas o inconsistentes, mientras que un prompt bien estructurado (con contexto, formato esperado, restricciones y ejemplos) reduce la ambigüedad y guía al modelo hacia el resultado deseado. Es la forma más rápida y económica de mejorar el output de un modelo, porque no requiere reentrenamiento ni datos adicionales.
Estas cinco técnicas son la base de cualquier estrategia de prompt engineering. Difieren principalmente en cuántos ejemplos se incluyen en el prompt y en cómo se estructura la interacción.
Zero-shot
Se le pide al modelo que realice la tarea sin darle ningún ejemplo previo, confiando en su conocimiento general.
"Clasifica el sentimiento de esta reseña como positivo, negativo o neutral: 'El envío tardó 3 semanas.'"One-shot
Se incluye exactamente un ejemplo de cómo debe verse la respuesta, para calibrar el formato o el estilo esperado.
"Ejemplo: 'Llegó rápido' → Positivo. Clasifica: 'El envío tardó 3 semanas.'"Few-shot
Se incluyen varios ejemplos (típicamente entre 2 y 10) para que el modelo infiera mejor el patrón, el formato o los matices esperados de la tarea, especialmente útil en clasificaciones con categorías ambiguas.
"'Llegó rápido' → Positivo. 'Nunca llegó' → Negativo. 'Llegó en la fecha estimada' → Neutral. Clasifica: 'El envío tardó 3 semanas.'"Role prompting
Se le asigna al modelo un rol o persona específica (experto, asistente, tono formal/casual) para condicionar el estilo, el nivel técnico y el enfoque de la respuesta.
"Actúa como un abogado especializado en protección de datos. Explica en lenguaje sencillo qué implica el RGPD para una pyme."Prompt chaining
Se divide una tarea compleja en una secuencia de prompts más simples, donde la salida de un paso se usa como entrada del siguiente, en vez de intentar resolver todo en un único prompt monolítico.
Paso 1: "Resume este contrato de 40 páginas en sus cláusulas clave." → Paso 2: "De estas cláusulas, identifica cuáles representan riesgo legal para el comprador."Ojo con esto en el examen
Zero-shot, one-shot y few-shot se diferencian únicamente por la cantidad de ejemplos incluidos (0, 1, o varios). Role prompting y prompt chaining son técnicas ortogonales a esa clasificación: pueden combinarse con cualquiera de las anteriores (por ejemplo, few-shot + role prompting en el mismo prompt).
Cuando una tarea requiere razonamiento multi-paso, cálculos, o interactuar con herramientas externas, las técnicas básicas anteriores suelen quedarse cortas. Para esos casos existen dos técnicas avanzadas.
Chain-of-thought (CoT)
Se le pide al modelo que muestre su razonamiento paso a paso antes de dar la respuesta final, en vez de saltar directo a la conclusión. Mejora notablemente la precisión en problemas matemáticos, lógicos o de varios pasos, porque obliga al modelo a "descomponer" el problema.
"Un tren sale a las 14:00 y llega a las 17:30, con una parada de 20 minutos. Piensa paso a paso antes de calcular el tiempo total de viaje efectivo."Cuándo usarla: problemas de razonamiento, matemáticas, lógica o decisiones con varios factores a sopesar.
ReAct (Reason + Act)
Combina razonamiento explícito con la capacidad de tomar acciones intermedias (como llamar a una herramienta, buscar información o consultar una API) y observar el resultado antes de continuar razonando y decidir el siguiente paso.
"Necesito el precio actual de la acción de una empresa. Razona qué herramienta usar, consúltala, observa el resultado, y luego responde."Cuándo usarla: agentes que necesitan interactuar con herramientas externas o datos en tiempo real, no solo generar texto.
Chain-of-thought vs. ReAct
Chain-of-thought mejora la calidad del razonamiento interno del modelo, pero el modelo sigue trabajando solo con la información que ya tiene en el prompt. ReAct va un paso más allá: le permite al modelo pausar su razonamiento, ejecutar una acción externa (como function calling o una búsqueda), incorporar el resultado observado, y continuar razonando — esencial para agentes que necesitan datos que no estaban en su prompt original.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Un equipo está construyendo un agente que debe consultar el inventario en tiempo real de un sistema externo antes de responder si un producto está disponible, y necesita razonar sobre qué acción tomar en cada paso de la conversación. ¿Qué técnica de prompting es más adecuada?
Pon a prueba lo que aprendiste con preguntas originales del examen Gen AI Leader.
Iniciar simulacro Gen AI LeaderSin límite de simulacros con plan Pro
Inicia sesión para llevar tu progreso.