El prompting no es solo un arte
Existe un mito persistente de que la ingeniería de prompts es puramente intuitiva, que algunas personas simplemente tienen un "don" para hablar con la IA. Si bien la intuición juega un papel, un creciente cuerpo de investigación demuestra que la estructura del prompt tiene efectos medibles y reproducibles en la calidad del resultado.
Este artículo repasa los hallazgos clave y lo que significan para cualquiera que trabaje con IA de forma habitual.
La brecha de los prompts es real
Múltiples estudios han documentado lo que los investigadores llaman la "brecha de prompts" (prompt gap): la diferencia en la calidad del resultado entre prompts ingenuos y prompts bien estructurados. Esta brecha es consistentemente grande en distintas tareas y modelos.
Cuando los investigadores comparan prompts sin estructura con alternativas estructuradas que incluyen roles claros, secciones de contexto y restricciones explícitas, las versiones estructuradas suelen producir resultados calificados de forma significativamente más alta, tanto por evaluadores humanos como por métricas de calidad automatizadas.
Esta brecha no existe porque los modelos sean malos entendiendo el lenguaje casual, sino porque la ambigüedad obliga al modelo a distribuir probabilidad entre muchas interpretaciones posibles. La estructura reduce la ambigüedad, lo que concentra el esfuerzo del modelo en el resultado deseado.
Para más detalles sobre los estudios específicos y sus hallazgos, consulta nuestra página de investigación.
Chain-of-thought: razonar en voz alta
Una de las técnicas de ingeniería de prompts mejor documentadas es el prompting chain-of-thought (CoT). Formalizada por primera vez en investigaciones de Google y otros, la técnica CoT le pide al modelo que muestre su razonamiento antes de dar una respuesta final.
El efecto en tareas que exigen mucho razonamiento es considerable. La precisión matemática, la deducción lógica y la resolución de problemas de varios pasos mejoran significativamente cuando se le pide al modelo que razone paso a paso.
El mecanismo es sencillo: al generar tokens de razonamiento intermedios, el modelo dispone de más "memoria de trabajo" dentro de su ventana de contexto. Cada paso de razonamiento se convierte en contexto para el siguiente, lo que permite un razonamiento de múltiples saltos que sería imposible en una sola pasada.
Cuándo CoT ayuda más
- Problemas matemáticos y lógicos
- Análisis de varios pasos
- Tareas que requieren comparar múltiples opciones
- Planificación y programación complejas
Cuándo CoT es innecesario
- Recuperación simple de datos factuales
- Escritura creativa (donde el razonamiento lineal puede, de hecho, limitar el resultado)
- Tareas directas de conversión de formato
El papel de las etiquetas de estructura
La investigación ha demostrado que los marcadores estructurales explícitos (como etiquetas XML, encabezados markdown o secciones etiquetadas) mejoran la interpretación de los prompts por parte de los modelos de IA. Esto es especialmente notable en prompts largos, donde el modelo necesita seguir el rastro de múltiples piezas de información.
Los marcadores estructurales funcionan porque crean límites claros entre distintos tipos de información. Sin marcadores, un prompt largo es un flujo continuo de texto en el que el modelo debe inferir qué es contexto, qué es instrucción y qué es restricción. Con marcadores, cada sección queda explícitamente etiquetada, lo que reduce los errores de interpretación.
Distintos modelos responden a distintos formatos estructurales:
- Claude responde bien a etiquetas de estilo XML
- GPT-4 maneja eficazmente secciones en markdown y lenguaje natural
- Gemini funciona bien con secuencias de pasos numerados
Consulta nuestro artículo de comparación de modelos para un desglose detallado.
Few-shot learning: el poder de los ejemplos
El prompting few-shot (proporcionar uno o más ejemplos de entrada-salida antes de la tarea real) es una de las técnicas de ingeniería de prompts más antiguas y confiables. La investigación ha demostrado sistemáticamente que incluso un solo ejemplo bien elegido puede mejorar significativamente la calidad del resultado y la adherencia al formato.
Los hallazgos clave de la investigación sobre few-shot:
- La calidad de los ejemplos importa más que la cantidad. Un ejemplo excelente suele superar a tres mediocres.
- Los ejemplos enseñan el formato de manera implícita. El modelo infiere la estructura de resultado esperada a partir de los ejemplos, incluso si no indicas el formato de forma explícita.
- Los ejemplos diversos mejoran la robustez. Si tu tarea tiene variación, mostrar ejemplos diversos ayuda al modelo a generalizar.
- Los ejemplos negativos pueden ser poderosos. Mostrar un mal ejemplo junto a uno bueno, con etiquetas, ayuda al modelo a entender el nivel de calidad esperado.
Prompting ambiental: el contexto moldea el resultado
La investigación también ha demostrado que el contexto más amplio de un prompt (lo que los investigadores llaman factores "ambientales") afecta la calidad del resultado. Esto incluye:
- El contenido del system prompt: Las instrucciones persistentes en el system prompt moldean todas las respuestas posteriores
- El historial de la conversación: Los turnos previos de una conversación crean contexto que afecta las respuestas posteriores
- La posición dentro del prompt: El lugar donde aparecen instrucciones específicas dentro de un prompt largo puede afectar con qué fuerza se siguen
- La repetición: Indicar instrucciones importantes más de una vez aumenta el cumplimiento
Estos hallazgos sugieren que la ingeniería de prompts no se trata solo del texto inmediato del prompt, sino de todo el contexto en el que opera el modelo.
Implicaciones para la práctica
La investigación señala varias conclusiones prácticas:
- Estructura tus prompts con secciones etiquetadas. El costo adicional es mínimo; la mejora es significativa.
- Usa chain-of-thought para tareas de razonamiento, pero evítalo en tareas simples o creativas.
- Incluye ejemplos cuando necesites un control preciso del formato.
- Adapta tu formato al modelo objetivo.
- Usa herramientas que impongan buena estructura. La adherencia manual a las mejores prácticas se degrada bajo presión de tiempo.
Tender un puente entre la investigación y la práctica
La brecha entre lo que recomienda la investigación y lo que la mayoría de las personas realmente hace al escribir prompts para IA es amplia. La mayoría de los usuarios nunca ha leído un paper sobre ingeniería de prompts, e incluso quienes lo han hecho rara vez aplican los hallazgos de forma consistente.
Esta es la motivación detrás de PromptArch. Al incorporar prácticas respaldadas por la investigación en un builder guiado, la herramienta facilita producir prompts bien estructurados y de alta calidad sin necesidad de estudiar la literatura. Cada paso del builder corresponde a una dimensión de la calidad del prompt que la investigación ha demostrado que importa.
Para explorar las citas de investigación primarias, visita nuestra página de investigación.