A medida que avanza la inteligencia artificial 💡, el dominio del prompting se convierte en una habilidad esencial. Para acompañar esta evolución, Google ha publicado una guía detallada de 68 páginas, redactada por Lee Boonstra, ingeniera en Google. Después de haber revisado esta guía durante todo un fin de semana (con la ayuda de ChatGPT y Gemini), que se ha convertido en una referencia y que propone métodos probados para diseñar prompts efectivos, ya sea para los modelos Gemini o para otros LLM (Modelos de Lenguaje de Gran Tamaño), quise compartir con ustedes las 6 técnicas más relevantes que se destacan.
Dominar los ajustes para respuestas precisas y controladas
Para aprovechar al máximo el potencial de un modelo de inteligencia artificial, es crucial entender y ajustar tres parámetros fundamentales: max tokens, temperatura, top-K y top-P. Estas variables influyen en la longitud, la creatividad, la rigurosidad e incluso la fiabilidad de las respuestas generadas.
Ejemplo de uso concreto:
- Para una tarea de resumen de artículo:
max_tokens= 300 (para limitar la salida)temperatura= 0.3 (respuestas precisas)top-P= 0.8top-K= 20
Resultado: un resumen sintético y fiel al texto original.
A tener en cuenta:
- Temperatura = 0: para respuestas deterministas (útil para tareas fácticas como la traducción o cálculos).
- Temperatura > 1: favorece la creatividad, pero aumenta el riesgo de errores (ideal para ficción o nuevas ideas).
- top-K restringe el modelo a un número fijo de opciones, top-P actúa sobre un umbral de probabilidad acumulada. Estos dos mecanismos permiten dosificar la precisión o la diversidad.
Guiar la IA por el ejemplo gracias al few-shot prompting
El few-shot prompting consiste en proporcionar al modelo ejemplos claros de lo que se espera. Es una alternativa poderosa al fine-tuning, sin necesidad de entrenamiento adicional.
Ejemplo de aplicación:
Desea que el modelo convierta pedidos de pizza en JSON. Aquí está cómo estructurar su prompt:
luaCopierModifierEjEMPLO 1:
Pedido: Quiero una pizza mediana con jamón y champiñones.
Respuesta esperada:
{
"tamaño": "mediana",
"ingredientes": ["jamón", "champiñones"]
}
EjEMPLO 2:
Pedido: Una pizza grande, mitad queso, mitad verduras asadas.
Respuesta esperada:
{
"tamaño": "grande",
"ingredientes": [["queso"], ["verduras asadas"]]
}
A partir de ahí, puede solicitar una nueva interpretación. Este formato permite a la IA generalizar a partir de ejemplos concretos.
Buenas prácticas:
- Varíe las formulaciones (oral, escrito, preguntas implícitas).
- Corrija cualquier error en los ejemplos (los errores influyen fuertemente en la calidad).
- Priorice la claridad sobre la complejidad.
Estructurar la reflexión con el enfoque de retroceso estratégico (Step-back Prompting)
Este método se basa en dos etapas distintas:
- Primero, se le pregunta al modelo qué estrategia adoptaría para resolver un problema.
- Luego, se le pide que resuelva ese mismo problema utilizando la estrategia identificada.
¿Por qué funciona?
Al incitar a la IA a tomar distancia, activa una forma de razonamiento deductivo más amplio, movilizando principios en lugar de automatismos.
Ejemplo de prompt matemático:
- Paso 1: «¿Qué método utilizarías para resolver el siguiente problema: ‘Si un tren viaja a 80 km/h durante 3 horas, ¿qué distancia ha recorrido?’»
- Paso 2: «Ahora aplica este método para resolver el problema.»
Este procedimiento es particularmente útil en casos complejos: análisis jurídico, código informático o argumentación lógica.
Aumentar la fiabilidad repitiendo y comparando las respuestas (Self-consistency)
El self-consistency prompting consiste en enviar varias veces el mismo prompt, con una temperatura alta, para obtener diferentes respuestas. Luego, la respuesta más frecuente se considera la más fiable.
Ejemplo de caso práctico: análisis de sentimiento de una conversación.
- Prompt: «¿Es esta discusión positiva o negativa? Responde únicamente con POSITIVO o NEGATIVO.»
- Envía el prompt 5 veces con
temperatura = 1.5. - Resultados: POSITIVO, NEGATIVO, POSITIVO, POSITIVO, POSITIVO.
- Respuesta retenida: POSITIVO (mayoría)
Este tipo de método es útil para:
- Tareas de clasificación sensibles (opiniones de clientes, moderación).
- Resolución de problemas ambiguos.
- Reducir las alucinaciones de un LLM cruzando las respuestas.
Optimizar automáticamente sus prompts con variantes probadas (APE)
El Automatic Prompt Engineering (APE) permite generar automáticamente varias versiones de un prompt, y luego probarlas para encontrar la más efectiva.
Pasos concretos:
- Proporcione un prompt base (ej: «Resume este artículo en tres frases.»).
- El modelo genera 10 variantes del prompt.
- Cada versión se prueba en un mismo texto fuente.
- Las salidas se comparan con una referencia humana.
- Las mejores versiones (según BLEU, ROUGE o evaluación humana) se conservan.
Ejemplo de variación generada automáticamente:
- «Dame un resumen breve y claro.»
- «Resume el contenido destacando los puntos clave.»
- «¿Cuál es la idea principal de este texto?»
Esto permite identificar las formulaciones más robustas, especialmente cuando desarrolla asistentes personalizados o herramientas de generación de contenido automatizado.
Documentar sus experimentaciones en una hoja de cálculo para progresar más rápido
En el ámbito del prompt engineering, probar, observar e iterar son las claves de la mejora. Para ello, una de las herramientas más simples y efectivas sigue siendo… la buena vieja hoja de cálculo. Crear un tablero dedicado a sus prompts no solo le permite llevar un registro de sus intentos, sino sobre todo analizar su efectividad con perspectiva.
A continuación, se muestra cómo estructurar su hoja de cálculo para que se convierta en un verdadero laboratorio:
| Nombre de la prueba | Objetivo | Temperatura | Top-K | Top-P | Max Tokens | Prompt | Resultado generado | Evaluación |
|---|
- Nombre de la prueba: Dé un título evocador a cada intento (ej.: «Resumen artículo – tono neutro»).
- Objetivo: Resumir, generar código, clasificar, traducir, etc.
- Parámetros: Anote con precisión los ajustes de generación (temperatura, top-K, top-P, etc.).
- Prompt utilizado: Copie exactamente el texto enviado.
- Salida generada: Pegue el resultado del modelo para poder compararlo.
- Evaluación: Agregue un comentario subjetivo o una nota: «OK», «aproximado», «a rehacer», etc.
Con el tiempo, constituirá una base de datos personalizada de lo que mejor funciona para sus casos de uso. Esto acelera el aprendizaje, le ayuda a detectar sesgos o repeticiones, y sobre todo… le evita cometer los mismos errores.
Conclusión
El prompt engineering no es una ciencia oscura reservada para investigadores. Es un diálogo: entre usted, sus necesidades y un modelo que intenta comprenderlo. A través de técnicas como el few-shot prompting, el razonamiento en dos pasos, la repetición o la evaluación automática, va afinando progresivamente su manera de «hablar» con la IA. Y aunque algunos ajustes o enfoques puedan parecer técnicos, recuerde: cada prueba es una oportunidad para aprender. Al cultivar una mentalidad curiosa, rigurosa pero también creativa, transforma un simple prompt en un verdadero motor de innovación 🚀.
