---
title: "¿Qué es la ingeniería de prompts? Instrucciones para LLMs"
description: "La ingeniería de prompts es escribir y probar instrucciones para que un LLM dé la salida que necesita, siempre. Técnicas clave, cómo probarlas y consejos para árabe."
url: https://broadrouter.com/es/glossary/prompt-engineering/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/prompt-engineering/) (actualizado el 2026-11-15).

# Ingeniería de prompts (prompt engineering)

Actualizado 2026-11-15

La ingeniería de prompts es el proceso de escribir, estructurar y probar las instrucciones que se dan a un modelo de lenguaje para que produzca de forma constante una salida que cumpla sus requisitos. Abarca los mensajes de rol, instrucciones claras, ejemplos, formato y la medición de resultados con casos de prueba.

También llamado: ingeniería de prompts, diseño de prompts, técnicas de prompting, cómo escribir prompts, prompting, prompt engineering, prompt design, prompting techniques

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](https://broadrouter.com/es/glossary/system-prompt/) (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](https://broadrouter.com/es/glossary/few-shot-prompting/)) que cubran casos distintos |
| Razonamiento | Pida un razonamiento paso a paso ([cadena de pensamiento](https://broadrouter.com/es/glossary/chain-of-thought/)) o use un modelo de razonamiento |
| Formato de salida | Pida un formato fijo, o use [salida estructurada](https://broadrouter.com/es/glossary/structured-output/) 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](https://broadrouter.com/es/glossary/eval/).

Un ejemplo breve, antes y después:

```text
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](https://broadrouter.com/es/glossary/context-engineering/), 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](https://broadrouter.com/es/glossary/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](https://broadrouter.com/es/blog/reduce-prompt-tokens/).
-   **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](https://broadrouter.com/es/guides/try-broadnet-inference-playground/) antes de escribir código. Para salida en árabe, [ingeniería de prompts en árabe](https://broadrouter.com/es/blog/arabic-prompt-engineering/) cubre registro, dialecto, números y formato de derecha a izquierda.

La salida estructurada está documentada para [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) y [Qwen3.8 27B](https://broadrouter.com/es/models/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.

## Preguntas frecuentes

### ¿Sigue siendo necesaria la ingeniería de prompts con los modelos más nuevos?

Sí, aunque los trucos cambian. Los modelos nuevos siguen bien las instrucciones simples y específicas, así que la mayor parte del trabajo es expresar los requisitos con claridad, dar ejemplos y probar con entradas reales.

### ¿Cuándo conviene hacer fine-tuning en su lugar?

Cuando un prompt bien probado y con ejemplos sigue fallando en una parte grande de los casos, o es demasiado largo para enviarlo en cada solicitud. La documentación de Anthropic también señala que algunos objetivos, como reducir la latencia o el costo, se logran más fácil eligiendo otro modelo.

### ¿Debo escribir en árabe los prompts para obtener salida en árabe?

Ambas opciones pueden funcionar. Indique qué registro o dialecto quiere y cómo tratar los números y el texto mixto. El artículo sobre ingeniería de prompts en árabe compara los dos enfoques.

## Vea también

-   [Prompt de sistema (system prompt)](https://broadrouter.com/es/glossary/system-prompt/) (término)
-   [Few-shot prompting (prompting con pocos ejemplos)](https://broadrouter.com/es/glossary/few-shot-prompting/) (término)
-   [Cadena de pensamiento (chain-of-thought, CoT)](https://broadrouter.com/es/glossary/chain-of-thought/) (término)
-   [Ingeniería de contexto (context engineering)](https://broadrouter.com/es/glossary/context-engineering/) (término)
-   [Evaluación de LLM (eval)](https://broadrouter.com/es/glossary/eval/) (término)
-   [Salida estructurada (structured output)](https://broadrouter.com/es/glossary/structured-output/) (término)
-   [Pruebe BroadNet Inference en su navegador, sin cuenta](https://broadrouter.com/es/guides/try-broadnet-inference-playground/) (guía)
-   [Ingeniería de prompts en árabe: registro, RTL, cifras y texto mixto](https://broadrouter.com/es/blog/arabic-prompt-engineering/) (artículo)
-   [Reducir tokens del prompt: recortes medidos en sistema, tools y datos](https://broadrouter.com/es/blog/reduce-prompt-tokens/) (artículo)
-   [Antes del fine-tuning: defina el problema que quiere resolver](https://broadrouter.com/es/blog/fine-tuning-readiness/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-prompt-engineering&utm_content=page-cta) ·

**Fuentes**

-   [Documentación de la API de OpenAI, guía de ingeniería de prompts (consultada el 2026-11-15)](https://developers.openai.com/api/docs/guides/prompt-engineering)
-   [Documentación de Anthropic, introducción a la ingeniería de prompts (consultada el 2026-11-15)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview)
-   [Anthropic Engineering, Effective context engineering for AI agents (consultado el 2026-11-15)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
