Un prompt es una especificación. La ingeniería de prompts consiste en escribirla bien y comprobar que el modelo la sigue.
Cómo funciona
La guía de OpenAI define la ingeniería de prompts como “the process of writing effective instructions for a model” (traducción: el proceso de escribir instrucciones eficaces para un modelo) para que “consistently generates content that meets your requirements” (traducción: genere de forma constante contenido que cumpla sus requisitos). Las técnicas básicas coinciden entre proveedores:
| Técnica | Qué hacer |
|---|---|
| Roles | Ponga las reglas en el prompt de sistema (o mensaje developer) y la petición en el mensaje del usuario |
| Estructura | Ordene el prompt de sistema como identidad, instrucciones, ejemplos y contexto; use encabezados Markdown y etiquetas XML para marcar las secciones |
| Ejemplos | Agregue algunos pares de entrada y salida (few-shot prompting) que cubran casos distintos |
| Razonamiento | Pida un razonamiento paso a paso (cadena de pensamiento) o use un modelo de razonamiento |
| Formato de salida | Pida un formato fijo, o use salida estructurada donde la API la admita |
| Estabilidad | Fije una versión del modelo para que el comportamiento no cambie sin aviso |
La introducción de Anthropic recomienda empezar por tres cosas: criterios de éxito claros, una forma de probar contra ellos y un primer borrador del prompt. En la práctica, eso significa un conjunto de evaluación.
Un ejemplo breve, antes y después:
Before: Summarize this ticket.
After: You summarize support tickets for an engineering team.
Write 3 bullet points: the problem, the customer impact, the next step.
Use the customer's words for error messages. Do not guess at causes.
<ticket>...</ticket>
En los agentes, el prompt es una parte de un contexto más amplio. El artículo de Anthropic sobre ingeniería de contexto separa la ingeniería de prompts, “methods for writing and organizing LLM instructions” (traducción: métodos para escribir y organizar instrucciones para LLM), de la ingeniería de contexto, que gestiona todo lo demás que ve el modelo.
Por qué importa
- Calidad sin entrenamiento. Un mejor prompt es la solución más barata que puede probar, antes del fine-tuning o de un modelo más grande.
- Costo. El prompt de sistema se reenvía en cada solicitud. Elimine lo que no cambia la salida; consulte cómo reducir los tokens del prompt.
- Migración. Un prompt ajustado para un modelo puede comportarse distinto en otro. Vuelva a ejecutar su conjunto de evaluación cuando cambie.
En BroadNet Inference
Los modelos de chat de BroadNet reciben la lista messages estándar de Chat Completions, así que los roles system, user y assistant y los ejemplos few-shot funcionan como siempre. Puede probar prompts en el playground antes de escribir código. Para salida en árabe, ingeniería de prompts en árabe cubre registro, dialecto, números y formato de derecha a izquierda.
La salida estructurada está documentada para GLM 5.3 y Qwen3.8 27B. En DeepSeek V4.1 Flash, GLM 5.3 y Qwen3.8 27B, el razonamiento cuenta para max_tokens, así que un prompt del tipo “think step by step” también necesita margen en el presupuesto.