Prácticas recomendadas de ingeniería de prompts para 2026
Obtén mejores resultados con la IA gracias a las técnicas de ingeniería de prompts del equipo que está detrás de Claude.
¿Qué es la ingeniería de prompts?
La ingeniería de prompts es el arte de estructurar instrucciones para obtener mejores resultados de los modelos de IA. Es la forma en que formulas las consultas, especificas el estilo, proporcionas contexto y guías el comportamiento del modelo para alcanzar tus objetivos.
La diferencia entre una instrucción vaga y un prompt bien diseñado puede marcar la distancia entre unos resultados genéricos y exactamente lo que necesitas. Un prompt mal estructurado puede requerir varios intercambios para aclarar la intención, mientras que un prompt bien diseñado te lleva al resultado a la primera.
También es el componente esencial de la ingeniería de contexto, que se ha convertido en una parte cada vez más importante del trabajo con LLM. Un prompt mal estructurado puede requerir varios intercambios para aclarar la intención, mientras que un prompt bien diseñado te lleva al resultado a la primera. Sin embargo, la creación de prompts está convergiendo con la ingeniería de contexto en los modelos de la generación Claude 5: menos andamiaje, más selección.
Para ayudarte a empezar, hemos reunido algunas de las prácticas recomendadas de nuestro equipo, incluidos métodos prácticos diseñados para mejorar tus resultados de inmediato. Empezaremos con hábitos sencillos que puedes aplicar hoy mismo y luego pasaremos a métodos avanzados para proyectos complejos.
Cómo usar la ingeniería de prompts
En su nivel más básico, la ingeniería de prompts consiste simplemente en modificar la consulta que le pasas a tu LLM. A menudo, basta con añadir información a la consulta antes de hacer tu solicitud real, pero saber qué información es la adecuada para compartir es el secreto para diseñar un prompt excelente y eficaz.
Técnicas principales
Estas técnicas de ingeniería de prompts constituyen la base de unas interacciones eficaces con la IA. Úsalas de forma sistemática para ver mejoras inmediatas en la calidad de las respuestas.
Sé explícito y claro
Los modelos de IA modernos responden excepcionalmente bien a instrucciones claras y explícitas. No des por hecho que el modelo deducirá lo que quieres: indícalo directamente. Usa un lenguaje sencillo que exprese exactamente lo que quieres, sin ambigüedades.
El principio clave: dile al modelo exactamente lo que quieres ver. Si quieres un resultado exhaustivo, pídelo. Si quieres funciones específicas, enuméralas. Los modelos modernos como Claude se benefician especialmente de las instrucciones explícitas.
Ejemplo: crear un panel de análisis
Impreciso: "Crea un panel de análisis"
Explícito: "Crea un panel de análisis. Incluye tantas funciones e interacciones relevantes como sea posible. Ve más allá de lo básico para crear una implementación con todas las funciones".
La segunda versión solicita explícitamente funciones completas e indica que quieres que el modelo vaya más allá de lo mínimo.
Prácticas recomendadas:
- Comienza con verbos de acción directos: "Escribe", "Analiza", "Genera", "Crea"
- Omite los preámbulos y ve directamente a la solicitud
- Indica qué quieres que incluya el resultado, no solo en qué hay que trabajar
- Sé específico sobre las expectativas de calidad y profundidad
Proporciona contexto y motivación
Explicar por qué algo es importante ayuda a los modelos de IA a comprender mejor tus objetivos y ofrecer respuestas más precisas. Esto es particularmente eficaz con los modelos más recientes, que pueden razonar sobre tus objetivos subyacentes.
Ejemplo: preferencias de formato
Menos eficaz: "NUNCA uses viñetas"
Más eficaz: "Prefiero respuestas en forma de párrafos naturales en lugar de viñetas, porque la prosa fluida me resulta más fácil de leer y más conversacional. Las viñetas me resultan demasiado formales y con aspecto de lista para mi estilo de aprendizaje informal".
La segunda versión ayuda al modelo a entender el razonamiento que hay detrás de la regla, lo que permite al modelo tomar mejores decisiones sobre opciones de formato relacionadas.
Cuándo proporcionar contexto:
- Explicar el propósito o el público al que va dirigido el resultado
- Aclarar por qué existen ciertas restricciones
- Describir cómo se utilizará el resultado
- Indicar qué problema estás intentando resolver
Sé específico
La especificidad en la ingeniería de prompts consiste en estructurar tus instrucciones con pautas y requisitos explícitos. Cuanto más específico seas sobre lo que quieres, mejores serán los resultados.
Ejemplo: planificación de comidas
Impreciso: "Crea un plan de comidas para una dieta mediterránea"
Específico: "Diseña un plan de comidas de dieta mediterránea para el control de la prediabetes. 1800 calorías diarias, con énfasis en alimentos de bajo índice glucémico. Enumera el desayuno, la comida, la cena y un tentempié con un desglose nutricional completo".
¿Qué hace que un prompt sea lo bastante específico?
Incluye:
- Restricciones claras (número de palabras, formato, plazos)
- Contexto relevante (quién es el público, cuál es el objetivo)
- Estructura de salida deseada (tabla, lista, párrafo)
- Requisitos o restricciones (necesidades alimentarias, límites de presupuesto, limitaciones técnicas)
Usa ejemplos
Los ejemplos no siempre son necesarios, pero resultan especialmente útiles para explicar conceptos o mostrar formatos específicos. Conocidos como técnicas one-shot o few-shot, los ejemplos muestran en lugar de explicar y aclaran requisitos sutiles difíciles de expresar solo con una descripción.
Nota importante para los modelos modernos: Claude 4.x y otros modelos avanzados similares prestan muchísima atención a los detalles de los ejemplos. Asegúrate de que tus ejemplos se ajusten a los comportamientos que quieres fomentar y minimiza cualquier patrón que quieras evitar.
Ejemplo: resumen de artículos
Sin ejemplo: "Resume este artículo"
Here's an example of the summary style I want:
Article: [link to article about AI regulation]
Summary: EU passes comprehensive AI Act targeting high-risk systems. Key provisions include transparency requirements and human oversight mandates. Takes effect 2026.
Now summarize this article in the same style: [link to your new article]Cuándo usar ejemplos:
- El formato deseado es más fácil de mostrar que de describir
- Necesitas un tono o estilo específico
- La tarea implica patrones o convenciones sutiles
- Las instrucciones sencillas no han producido resultados coherentes
Consejo de experto: empieza con un ejemplo (one-shot). Añade más ejemplos (few-shot) solo si el resultado sigue sin ajustarse a tus necesidades.
Permite a Claude expresar incertidumbre
Da a la IA permiso explícito para expresar incertidumbre en lugar de hacer suposiciones. Esto reduce las alucinaciones y aumenta la fiabilidad.
Ejemplo: "Analiza estos datos financieros e identifica tendencias. Si los datos son insuficientes para sacar conclusiones, indícalo en lugar de especular".
Esta sencilla incorporación hace que las respuestas sean más fiables al permitir que el modelo reconozca las limitaciones.
Prueba estas técnicas en Claude.
Técnicas avanzadas de ingeniería de prompts
Estos hábitos fundamentales te llevarán bastante lejos, pero es posible que aún te encuentres con situaciones que requieran enfoques más sofisticados. Las técnicas avanzadas de ingeniería de prompts destacan cuando creas soluciones agénticas, trabajas con estructuras de datos complejas o necesitas desglosar problemas de varias etapas.
Rellena previamente la respuesta de la IA
El prellenado te permite iniciar tú mismo la respuesta de la IA, orientando su formato, tono o estructura. Esta técnica es especialmente eficaz para imponer formatos de salida u omitir preámbulos.
Cuándo usar el prellenado:
- Necesitas que la IA genere JSON, XML u otros formatos estructurados
- Quieres omitir los preámbulos conversacionales e ir directamente al contenido
- Necesitas mantener un estilo de voz o un personaje específico
- Quieres controlar cómo comienza la IA su respuesta
Ejemplo: imponer la salida JSON
Sin prellenado, Claude podría decir: "Aquí tienes el JSON que has solicitado: {...}"
Con prellenado (uso de la API):
messages=[
{"role": "user", "content": "Extract the name and price from this product description into JSON."},
{"role": "assistant", "content": "{"}
]La IA continuará a partir de la llave de apertura y generará únicamente JSON válido.
Nota: en las interfaces de chat, puedes lograr algo parecido siendo muy explícito: "Genera solo JSON válido sin preámbulo. Comienza tu respuesta con una llave de apertura".
Creación de prompts con cadena de pensamiento
La creación de prompts con cadena de pensamiento (CoT, por sus siglas en inglés) consiste en solicitar un razonamiento paso a paso antes de responder. Esta técnica ayuda con las tareas analíticas complejas que se benefician de un razonamiento estructurado.
Enfoque moderno: Claude ofrece una función de razonamiento ampliado que automatiza el razonamiento estructurado. Cuando está disponible, el razonamiento ampliado suele ser preferible a la creación manual de prompts con cadena de pensamiento. Sin embargo, comprender la CoT manual sigue siendo valioso en situaciones en las que el razonamiento ampliado no está disponible o cuando necesitas un razonamiento transparente que puedas revisar.
Cuándo usar la cadena de pensamiento:
- El razonamiento ampliado no está disponible (es decir, en el plan gratuito de Claude.ai)
- Necesitas un razonamiento transparente que puedas revisar
- La tarea requiere varios pasos analíticos
- Quieres asegurarte de que la IA tenga en cuenta factores específicos
Hay tres implementaciones comunes de la cadena de pensamiento:
Cadena de pensamiento básica
Simplemente añade "Piensa paso a paso" a tus instrucciones.
Draft personalized emails to donors asking for contributions to this year's Care for Kids program.
Program information:
<program>
{{PROGRAM_DETAILS}}
</program>
Donor information:
<donor>
{{DONOR_DETAILS}}
</donor>
Think step-by-step before you write the email.Cadena de pensamiento guiada
Estructura tu prompt para establecer etapas de razonamiento específicas.
Think before you write the email. First, think through what messaging might appeal to this donor given their donation history. Then, consider which aspects of the Care for Kids program would resonate with them. Finally, write the personalized donor email using your analysis.Cadena de pensamiento estructurada
Usa etiquetas para separar el razonamiento de la respuesta final.
Think before you write the email in <thinking> tags. First, analyze what messaging would appeal to this donor. Then, identify relevant program aspects. Finally, write the personalized donor email in <email> tags, using your analysis.Nota: incluso cuando el razonamiento ampliado está disponible, la creación explícita de prompts con CoT puede seguir siendo beneficiosa para tareas complejas. Ambos enfoques son complementarios, no se excluyen mutuamente.
Controla el formato del resultado
En el caso de los modelos de IA modernos, hay varias formas eficaces de controlar el formato de las respuestas:
1. Dile a la IA qué HACER en lugar de qué NO hacer
En lugar de: "No uses Markdown en tu respuesta" Prueba: "Tu respuesta debe estar compuesta por párrafos de prosa fluida"
2. Adapta el estilo de tu prompt al resultado deseado
El estilo de formato utilizado en tu prompt puede influir en el estilo de respuesta de la IA. Si quieres un uso mínimo de Markdown, reduce el Markdown en tu prompt.
3. Sé explícito sobre tus preferencias de formato
Para un control detallado del formato:
When writing reports or analyses, write in clear, flowing prose using complete paragraphs. Use standard paragraph breaks for organization. Reserve markdown primarily for inline code, code blocks, and simple headings.
DO NOT use ordered lists or unordered lists unless you're presenting truly discrete items where a list format is the best option, or the user explicitly requests a list.
Instead of listing items with bullets, incorporate them naturally into sentences. Your goal is readable, flowing text that guides the reader naturally through ideas.Encadenamiento de prompts
A diferencia de las técnicas anteriores, el encadenamiento de prompts no se puede implementar en un único prompt. El encadenamiento desglosa las tareas complejas en pasos secuenciales más pequeños con prompts separados. Cada prompt se encarga de una etapa y el resultado alimenta la siguiente instrucción.
Este enfoque asume una mayor latencia a cambio de una mayor precisión al hacer que cada tarea individual sea más sencilla. Normalmente, esta técnica se implementaría mediante flujos de trabajo o de forma programática, pero también podrías proporcionar los prompts manualmente después de recibir las respuestas.
Ejemplo: resumen de investigación
- Primer prompt: "Resume este artículo médico abarcando la metodología, las conclusiones y las implicaciones clínicas."
- Segundo prompt: "Revisa el resumen anterior para comprobar su precisión, claridad y exhaustividad. Proporciona comentarios con calificación".
- Tercer prompt: "Mejora el resumen basándote en estos comentarios: [comentarios del paso 2]"
Cada etapa añade un nivel de refinamiento mediante instrucciones específicas.
Cuándo usar el encadenamiento de prompts:
- Tienes una solicitud compleja que debe dividirse en pasos
- Necesitas un refinamiento iterativo
- Estás haciendo un análisis de varias etapas
- La validación intermedia aporta valor
- Un solo prompt produce resultados incoherentes
Ventajas e inconvenientes: el encadenamiento aumenta la latencia (múltiples llamadas a la API), pero a menudo mejora drásticamente la precisión y la fiabilidad en tareas complejas.
Técnicas de las que quizás hayas oído hablar
Algunas técnicas de ingeniería de prompts que eran populares con los modelos de IA anteriores son menos necesarias con modelos como Claude. Sin embargo, es posible que todavía las encuentres en documentación antigua o que te resulten útiles en situaciones específicas.
Etiquetas XML para dar estructura
Las etiquetas XML fueron en su momento una forma recomendada de añadir estructura y claridad a los prompts, especialmente al incorporar grandes cantidades de datos. Si bien los modelos modernos son mejores para comprender la estructura sin etiquetas XML, estas pueden seguir siendo útiles en situaciones específicas.
Ejemplo:
<athlete_information>
- Height: 6'2"
- Weight: 180 lbs
- Goal: Build muscle
- Dietary restrictions: Vegetarian
</athlete_information>
Generate a meal plan based on the athlete information above.Cuándo pueden seguir siendo útiles las etiquetas XML:
- Trabajas con prompts extremadamente complejos que combinan varios tipos de contenido
- Tienes que estar absolutamente seguro de los límites del contenido
- Estás trabajando con versiones anteriores del modelo
Alternativa moderna: para la mayoría de los casos de uso, los encabezados claros, los espacios en blanco y un lenguaje explícito ("Usando la información del atleta que aparece a continuación...") funcionan igual de bien con menos sobrecarga.
Asignación de roles en los prompts
La asignación de roles en los prompts define perfiles de expertos y perspectivas en la forma en que formulas tu consulta. Aunque esto puede ser eficaz, los modelos actuales son lo suficientemente sofisticados como para que una asignación de roles demasiado rígida resulte a menudo innecesaria.
Ejemplo: "Eres un asesor financiero. Analiza esta cartera de inversiones..."
Advertencia importante: no restrinjas demasiado el rol. "Eres un asistente útil" suele ser mejor que "Eres un experto de renombre mundial que solo habla en jerga técnica y nunca comete errores". Los roles demasiado específicos pueden limitar la utilidad de la IA.
Cuándo puede ser útil la asignación de roles en los prompts:
- Necesitas un tono coherente en muchos resultados
- Estás creando una aplicación que requiere un personaje específico
- Quieres un enfoque basado en conocimiento especializado del dominio para temas complejos
Alternativa moderna: a menudo, es más eficaz ser explícito sobre la perspectiva que quieres: "Analiza esta cartera de inversiones, centrándote en la tolerancia al riesgo y el potencial de crecimiento a largo plazo", en lugar de asignar un rol.
Pruébalo en Claude.
Cómo combinarlo todo
Ya has visto técnicas individuales por separado, pero su verdadero poder surge cuando las combinas de forma estratégica. El arte de la ingeniería de prompts no consiste en usar todas las técnicas disponibles, sino en seleccionar la combinación adecuada para tu necesidad específica.
Ejemplo que combina varias técnicas:
xtract key financial metrics from this quarterly report and present them in JSON format.
I need this data for automated processing, so it's critical that your response contains ONLY valid JSON with no preamble or explanation.
Use this structure:
{
"revenue": "value with units",
"profit_margin": "percentage",
"growth_rate": "percentage"
}
If any metric is not clearly stated in the report, use null rather than guessing.
Begin your response with an opening brace: {Este prompt combina:
- Instrucciones explícitas (exactamente qué extraer)
- Contexto (por qué es importante el formato)
- Estructura de ejemplo (que muestra el formato)
- Permiso para expresar incertidumbre (usa null si no estás seguro)
- Control de formato (empieza con una llave de apertura)
Elegir las técnicas adecuadas
No todos los prompts necesitan todas las técnicas. Aquí tienes un marco de decisión:
Empieza aquí:
- ¿Tu solicitud es clara y explícita? Si la respuesta es no, trabaja primero en la claridad
- ¿Es sencilla la tarea? Usa solo las técnicas principales (sé específico, sé claro, proporciona contexto)
- ¿La tarea requiere un formato específico? Usa ejemplos o el prellenado
- ¿Es compleja la tarea? Considera dividirla en partes (encadenamiento)
- ¿Necesita razonamiento? Usa el razonamiento ampliado (si está disponible) o la cadena de pensamiento
Guía de selección de técnicas:
| Si necesitas... | Usa... |
|---|---|
| Formato de salida específico | Ejemplos, prellenado o instrucciones de formato explícitas |
| Razonamiento paso a paso | Razonamiento ampliado (Claude 4.x) o cadena de pensamiento |
| Tarea compleja de varias etapas | Encadenamiento de prompts |
| Razonamiento transparente | Cadena de pensamiento con resultado estructurado |
| Para evitar alucinaciones | Permiso para decir "No lo sé" |
Solución de problemas habituales con los prompts
Incluso los prompts bien intencionados pueden producir resultados inesperados. Estos son algunos problemas habituales y cómo solucionarlos:
- Problema: la respuesta es demasiado genérica → Solución: añade especificidad, ejemplos o solicitudes explícitas de un resultado exhaustivo. Pídele a la IA que "vaya más allá de lo básico".
- Problema: la respuesta se desvía del tema o no capta lo esencial → Solución: sé más explícito sobre tu objetivo real. Proporciona contexto sobre el motivo de tu consulta.
- Problema: el formato de la respuesta es incoherente → Solución: añade ejemplos (few-shot) o usa el prellenado para controlar el inicio de la respuesta.
- Problema: la tarea es demasiado compleja y los resultados no son fiables → Solución: divídela en varios prompts (encadenamiento). Cada prompt debería hacer una sola cosa, y hacerla bien.
- Problema: la IA incluye preámbulos innecesarios → Solución: usa el prellenado o solicita explícitamente: "Omite el preámbulo y ve directamente a la respuesta".
- Problema: la IA se inventa información → Solución: da permiso explícito para decir "No lo sé" cuando haya incertidumbre.
- Problema: la IA sugiere cambios cuando querías la implementación → Solución: sé explícito sobre la acción: "Cambia esta función" en lugar de "¿Puedes sugerir cambios?"
Consejo de experto: empieza por lo simple y añade complejidad solo cuando sea necesario. Prueba cada incorporación para ver si realmente mejora los resultados.
Errores comunes que se deben evitar
Aprende de estos errores comunes para ahorrar tiempo y mejorar tus prompts:
- No compliques las cosas en exceso: los prompts más largos y complejos NO siempre son mejores.
- No descuides lo básico: las técnicas avanzadas no te servirán si tu prompt principal es poco claro o impreciso.
- No des por hecho que la IA lee mentes: sé específico sobre lo que quieres. Dejar las cosas ambiguas le da margen a la IA para malinterpretarlas.
- No uses todas las técnicas a la vez: selecciona las técnicas que aborden tu desafío específico.
- No olvides iterar: el primer prompt rara vez funciona a la perfección. Prueba y perfecciona.
- No te bases en técnicas obsoletas: las etiquetas XML y el uso intensivo de roles en los prompts son menos necesarios con los modelos modernos. Empieza con instrucciones explícitas y claras.
Consideraciones sobre la ingeniería de prompts
Trabajar con contenido extenso
Uno de los desafíos de implementar técnicas avanzadas de ingeniería de prompts es que añaden sobrecarga de contexto debido al uso adicional de tokens. Ejemplos, múltiples prompts, instrucciones detalladas: todo eso consume tokens, y la gestión del contexto es una habilidad en sí misma.
Recuerda utilizar técnicas de ingeniería de prompts cuando tengan sentido y su uso esté justificado. Para obtener una guía completa sobre cómo gestionar el contexto de forma eficaz, consulta nuestra publicación del blog sobre ingeniería de contexto.
Mejoras en la conciencia del contexto: los modelos de IA modernos, incluido Claude 4.x, han mejorado significativamente sus capacidades de conciencia del contexto, lo que ayuda a abordar los problemas históricos de "pérdida en el medio" ("lost-in-the-middle"), en los que a los modelos les costaba prestar la misma atención a todas las partes de los contextos largos.
Por qué sigue siendo útil dividir las tareas: incluso con estas mejoras, dividir las tareas grandes en partes más pequeñas y bien delimitadas sigue siendo una técnica valiosa, no por limitaciones de contexto, sino porque ayuda al modelo a concentrarse en dar lo mejor de sí dentro de un conjunto de requisitos y un alcance muy específicos. Una tarea bien definida con límites claros produce sistemáticamente resultados de mayor calidad que intentar lograr múltiples objetivos en un único prompt.
Estrategia: cuando trabajes con contextos largos, estructura tu información de forma clara, situando los detalles más importantes al principio o al final. Cuando trabajes con tareas complejas, considera si dividirlas en subtareas específicas mejoraría la calidad y la fiabilidad de cada componente.
Ejemplos de ingeniería de prompts: qué aspecto tiene un buen prompt
La ingeniería de prompts es una habilidad, y necesitarás varios intentos antes de dominarla. La única forma de saber si lo estás haciendo bien es probarlo y ver qué pasa. El primer paso es simplemente probarlo tú mismo. Verás de inmediato las diferencias entre las consultas con y sin las técnicas de creación de prompts que hemos tratado aquí.
Para perfeccionar de verdad tus habilidades de ingeniería de prompts, necesitarás medir de forma objetiva la eficacia de tus prompts. La buena noticia es que eso es exactamente lo que se trata en nuestro curso de ingeniería de prompts en anthropic.skilljar.com.
Consejos rápidos de evaluación:
- ¿El resultado se ajusta a tus requisitos específicos?
- ¿Has obtenido el resultado en un solo intento o has necesitado varias iteraciones?
- ¿El formato es uniforme en los distintos intentos?
- ¿Estás evitando los errores comunes mencionados anteriormente?
Consejos finales
En última instancia, la ingeniería de prompts consiste en comunicarse: hablar el lenguaje que ayuda a la IA a comprender con mayor claridad tu intención. Comienza con las técnicas fundamentales que se tratan al principio de esta guía. Úsalas de forma constante hasta que se conviertan en algo natural para ti. Incorpora técnicas avanzadas solo cuando resuelvan un problema específico.
Recuerda: el mejor prompt no es el más largo ni el más complejo. Es el que logra tus objetivos de forma fiable con la estructura mínima necesaria. A medida que practiques, desarrollarás una intuición sobre qué técnicas se adaptan mejor a cada situación.
Para las instrucciones que quieras aplicar en cada sesión en lugar de en cada prompt, trasládalas a archivos CLAUDE.md, Skills u otros métodos de orientación. Sin embargo, el giro hacia la ingeniería de contexto no resta importancia a la ingeniería de prompts.
De hecho, la ingeniería de prompts es un componente fundamental dentro de la ingeniería de contexto. Cada prompt bien elaborado pasa a formar parte del contexto más amplio que define el comportamiento de la IA, y funciona junto con el historial de la conversación, los archivos adjuntos y las instrucciones del sistema para lograr mejores resultados.
Empieza a crear prompts en Claude hoy mismo.