Prompt engineering

Prompt engineering es la disciplina —parte arte, parte ciencia— de diseñar las instrucciones que se envían a un LLM para conseguir respuestas precisas y consistentes. Aunque el término suena trivial, en sistemas de IA en producción es probablemente la herramienta con mejor retorno: una iteración de prompt bien hecha mejora más el resultado que cambiar de modelo o que hacer un fine-tuning.

Las técnicas básicas incluyen prompts claros y específicos, separación de roles (system / user / assistant), few-shot con ejemplos cuidadosamente seleccionados, chain-of-thought ("piensa paso a paso") para tareas de razonamiento, output schemas (Zod, JSON Schema, Pydantic) para forzar salidas estructuradas, y delimitación explícita de contexto (etiquetas XML, markdown, separadores). Modelos modernos como Claude o GPT-5 responden particularmente bien a prompts estructurados con XML.

Para producción, el prompt no es un texto que se escribe a mano una vez: se versiona en Git, se prueba con datasets de evaluación, se A/B testea, se monitoriza en producción (qué prompt produjo qué respuesta), y se itera. Herramientas como LangSmith, Langfuse, Promptlayer, Helicone, Braintrust o Phoenix permiten gestionar prompts como cualquier otro artefacto de software.

En 10Code tratamos los prompts como código de primer nivel: viven en el repo, pasan revisión por pull request, están parametrizados (no hardcodean datos), tienen una suite de evaluación con métricas (accuracy, faithfulness, toxicity, latencia, coste por respuesta) y se versionan junto con el modelo concreto que asumen. Esa disciplina convierte un "asistente que a veces alucina" en un componente fiable de producto.