Una técnica es una forma deliberada de estructurar un prompt, o una secuencia de prompts, para resolver un problema que las instrucciones simples no resuelven. Toda técnica tiene un coste en tokens, latencia o complejidad. La destreza está en usar la más ligera que funcione.
Las técnicas de un vistazo
| Técnica | Qué hace | Coste |
|---|---|---|
| Prompting few-shot | Muestra ejemplos de la salida deseada | Tokens por llamada |
| Prompting por roles | Fija la experiencia, la audiencia y el tono | Mínimo |
| Inyección de contexto | Añade los datos que le faltan al modelo | Tokens por llamada |
| Restricciones de salida | Fija la extensión, el formato y los valores permitidos | Mínimo |
| Prompting de salida estructurada | Devuelve datos que se ajustan a un esquema | Mínimo |
| Cadena de pensamiento | Razona paso a paso antes de responder | Tokens de salida, latencia |
| Autoconsistencia | Muestrea varias respuestas y toma la mayoritaria | Varias llamadas |
| Descomposición de prompts | Divide un problema en subpreguntas | Esfuerzo de diseño |
| Encadenamiento de prompts | Ejecuta las subtareas como prompts separados en secuencia | Varias llamadas |
| ReAct | Alterna el razonamiento con llamadas a herramientas | Varias llamadas, herramientas |
| Optimización iterativa | Mejora un prompt midiendo | Tu tiempo |
| Refinamiento de prompts | Edita la redacción para ganar claridad y precisión | Tu tiempo |
| Evaluación de prompts | Puntúa la salida según criterios | Un conjunto de pruebas |
| Pruebas de prompts | Vuelve a ejecutar las comprobaciones tras cada cambio | Automatización |
| Compresión de prompts | Elimina tokens sin perder significado | Mínimo |
Técnicas que dan forma a un único prompt
Prompting few-shot. Incluye pares de entrada y salida. Ideal para juicios de valor y estilos propios. Guía: prompting few-shot.
Prompting por roles. Empieza diciendo quién es el modelo y con quién habla. Selecciona un registro; no añade conocimiento. Guía: prompts de sistema y prompting por roles.
Inyección de contexto. Inserta el documento, el registro o el resultado de búsqueda del que depende la respuesta, dentro de delimitadores, e indica al modelo que responda a partir de él. Cuando el contexto se obtiene automáticamente, esto pasa a ser prompting RAG.
Answer using only the policy in the tags. If it does not say, reply "not covered".
<policy>
{{policy_text}}
</policy>
Restricciones de salida y salida estructurada. Especifica el formato, los campos, la extensión y qué hacer con los datos que faltan. Guía: prompts de salida estructurada.
Técnicas para razonar
Cadena de pensamiento. Pide al modelo que resuelva el problema antes de dar su respuesta. Ayuda en lógica y aritmética de varios pasos con modelos que no razonan internamente. Los modelos con razonamiento integrado ya lo hacen, y decirles «piensa paso a paso» aporta poco.
Autoconsistencia. Ejecuta varias veces el mismo prompt de razonamiento y toma la respuesta más común. Cambia coste por precisión en problemas con un único resultado correcto.
Ambas se tratan en prompting de cadena de pensamiento y autoconsistencia.
Técnicas que usan varios prompts
Descomposición de prompts. Divide una pregunta difícil en otras más pequeñas que puedan responderse bien cada una, y luego combina las respuestas.
Encadenamiento de prompts. Ejecuta esas piezas como llamadas separadas, pasando cada salida al paso siguiente. Cada prompt sigue siendo sencillo y comprobable. Guía: encadenamiento y descomposición de prompts.
ReAct. Deja que el modelo alterne entre razonar y actuar: decide lo que necesita, llama a una herramienta, lee el resultado y continúa. Es el bucle que hay detrás de la mayoría de los agentes de IA. Guía: prompting ReAct.
Técnicas para mejorar un prompt
Optimización y refinamiento iterativos. Ejecuta el prompt con un conjunto de pruebas, encuentra los fallos, cambia una cosa y vuelve a medir. Guía: optimización iterativa de prompts.
Evaluación y pruebas. Define qué significa «bueno», puntúalo y vuelve a ejecutar las comprobaciones cada vez que cambie el prompt. Guía: pruebas y evaluación de prompts.
Compresión de prompts. Elimina el relleno, las repeticiones y el contexto innecesario para reducir coste y latencia. Guía: optimización de tokens.
Cómo elegir
Recorre esta lista de arriba abajo y detente en el primer paso que resuelva el problema.
- Escribe una instrucción clara con un formato de salida. La mayoría de los problemas terminan aquí.
- Añade el contexto que falta. Si la respuesta es genérica o errónea en los hechos.
- Añade ejemplos. Si el estilo o el criterio no son los adecuados.
- Pide razonamiento. Si la tarea necesita varios pasos lógicos y el modelo no es de razonamiento.
- Divide la tarea en una cadena. Si un prompt está haciendo demasiadas cosas.
- Dale herramientas al modelo. Si necesita datos en vivo o tiene que realizar acciones.
- Muestrea varias veces. Si la precisión en un problema de respuesta única justifica varias llamadas.
Añadir una técnica que la tarea no necesita hace que un prompt sea más largo, más lento y más difícil de depurar.
Combinar técnicas
Las técnicas se apilan. Un prompt de producción típico usa un rol, contexto inyectado, dos ejemplos y un esquema. Un agente típico usa ReAct sobre una cadena de esos prompts. Añade una técnica cada vez y mide, para saber cuál se ha ganado su lugar.
Parte de una base sólida
Las técnicas amplifican un prompt; no lo reparan. Antes de añadir ninguna, pasa el prompt por el analizador de prompts de PromptFlowEngine para limpiar la redacción vaga, los conflictos y los formatos ausentes, y usa el optimizador de prompts para estructurarlo.