Basado en el Google’s Released Prompt Engineering whitepaper
Especifica el rol y las instrucciones claras: Define quién debe ser la IA (ejemplo: un profesor de física) y qué debe hacer, usando instrucciones detalladas como «explica la computación cuántica a un estudiante de secundaria con analogías simples, sin ecuaciones».
Usa ejemplos en tus prompts (Few-shot prompting): Proporciona ejemplos de lo que esperas, como «aquí tienes una descripción de producto: [ejemplo]. Ahora escribe una para mi cafetera». Esto mejora la calidad del formato de salida.
Aplica el método de pensamiento paso a paso (Chain-of-Thought): Para tareas complejas como matemáticas o lógica, incluye «pensemos paso a paso» en el prompt, lo que puede aumentar la precisión en un 20-30% al permitir que la IA muestre y corrija sus propios errores.
Solicita salidas estructuradas: Pide formatos específicos como JSON para resultados legibles por máquinas, por ejemplo, «extrae los detalles de este correo y devuelve solo un JSON válido con estos campos: nombre_remitente, tipo_solicitud, fecha_límite, nivel_prioridad». Esto reduce errores en flujos de automatización.
Implementa la técnica de autocoherencia (Self-Consistency): Para preguntas críticas, pide la misma respuesta varias veces (5-10) con ajustes de temperatura más altos y selecciona la respuesta más común, lo que mejora la precisión en problemas complicados.
Da instrucciones específicas de salida: Detalla el formato, longitud y estilo, como «escribe una comparación de 3 párrafos entre Tesla y Rivian, enfocándote en alcance, precio y red de carga, con un tono neutral y factual».
Usa el enfoque de retroceso (Step-back prompting): Primero pide explorar principios generales o contexto, luego solicita la solución específica; esto activa conocimientos relevantes y mejora la calidad en tareas creativas o complejas.
Proporciona contexto relevante (Contextual prompting): Incluye información de fondo, como «tengo 35 años, $20K para invertir en mi retiro, un fondo de emergencia y sin deudas de alto interés; ¿es buena idea invertir en fondos índice?». Esto ayuda a obtener respuestas más precisas.
Aplica el método ReAct (Razón + Acción): Para tareas que requieren información externa, pide a la IA seguir un ciclo de «Pensamiento: [razonamiento], Acción: [uso de herramienta], Observación: [resultado]», repitiendo hasta resolver, ideal para investigaciones.
Experimenta y documenta iterativamente: Prueba diferentes frases, cambia una variable a la vez, documenta tus intentos (prompt, ajustes, resultados) y revisa cuando los modelos se actualicen, ya que la ingeniería de prompts es un proceso iterativo.
Prueba la Ingeniería de Prompts Automática (APE): Pide a la IA generar varias versiones de prompts para tu tarea, como «genera 5 formas diferentes de pedir a una IA que escriba líneas de asunto de correo atractivas», y selecciona la mejor.
Si quieres saber más, mira en Guía de Ingeniería de Prompts en Español: Técnicas para Mejores Resultados con IA