Técnicas avanzadas de prompt engineering: chain-of-thought, few-shot y más

La mayoría de los usuarios de IA usan prompts simples y lineales: una instrucción, una respuesta. Pero los modelos de lenguaje modernos responden mucho mejor cuando les das contexto, estructura y un proceso de razonamiento que seguir. Las técnicas de prompt engineering avanzado no son magia: son formas de comunicarte con el modelo de la manera en que mejor entiende.

Esta guía cubre las técnicas más efectivas y cuándo aplicar cada una.

1. Chain-of-Thought (Cadena de razonamiento)

La técnica más impactante para problemas complejos. En lugar de pedirle al modelo la respuesta directamente, le pides que razone paso a paso.

Sin chain-of-thought:

¿Cuánto debería cobrar por un proyecto de diseño web de 3 páginas?

Con chain-of-thought:

Necesito calcular el precio para un proyecto de diseño web de 3 páginas. Piensa paso a paso: 1) estima las horas por fase (briefing, wireframes, diseño visual, revisiones, entrega), 2) aplica una tarifa de [TARIFA_HORA]€/hora, 3) añade un margen por imprevistos del [PORCENTAJE]%, 4) compara con el precio de mercado para [TIPO_DE_CLIENTE], 5) da el precio final con un rango mínimo-máximo. Contexto del proyecto: [DESCRIPCION].

Cuándo usarlo: problemas matemáticos, análisis multi-variable, decisiones con varios criterios, diagnósticos técnicos.

2. Few-Shot Learning (Ejemplos como guía)

Le muestras al modelo 2-3 ejemplos del formato o estilo que quieres antes de hacer tu petición real.

Voy a darte ejemplos del formato que quiero para las descripciones de producto. Sigue exactamente este estilo:

Ejemplo 1:
Producto: Auriculares inalámbricos X200
Descripción: Silencio donde más lo necesitas. Los X200 bloquean hasta 35dB de ruido externo para que solo escuches lo que importa. Batería para 28 horas. Carga en 15 minutos.

Ejemplo 2:
Producto: Mochila Ultralight 20L
Descripción: Todo lo que necesitas, nada que no necesites. 800g de mochila que aguanta 20kg. Impermeable, con puerto USB integrado y apertura frontal completa.

Ahora escribe la descripción para:
Producto: [NOMBRE_PRODUCTO]
Características: [CARACTERISTICAS]

Cuándo usarlo: cuando quieres replicar un estilo, formato o tono muy específico. Más efectivo que describir el estilo con palabras.

3. Role Prompting (Asignación de rol)

Definir quién es el modelo antes de la tarea mejora el enfoque y el nivel del output.

Eres [ROL: un consultor de estrategia con 20 años de experiencia en el sector retail / un médico especialista en medicina interna / un desarrollador senior de React con experiencia en startups]. Tu estilo es [ESTILO: directo y sin rodeos / pedagógico y con ejemplos / técnico pero accesible]. Responde a esta consulta desde esa perspectiva: [CONSULTA]

El rol no solo cambia el vocabulario: cambia el marco de referencia desde el que el modelo analiza el problema. Un consultor de estrategia y un emprendedor darían respuestas muy diferentes a la misma pregunta de negocio.

4. Meta-Prompting (Pedirle al modelo que mejore el prompt)

Usa el modelo para generar mejores prompts para el modelo.

Quiero obtener [DESCRIPCION_DEL_RESULTADO_QUE_BUSCO]. Genera el prompt más efectivo posible para conseguirlo. El prompt debe: ser específico en el formato de salida, incluir el contexto necesario, anticipar los errores más comunes del modelo en este tipo de tarea y prevenirlos, y tener una longitud adecuada (ni demasiado corto ni con información innecesaria).

5. Self-Consistency (Múltiples razonamientos)

Para decisiones importantes, pide al modelo que razone el problema de varias formas independientes y luego compare.

Analiza este problema de [TIPO] tres veces, cada vez desde una perspectiva diferente: 1) desde una perspectiva optimista (qué podría salir bien), 2) desde una perspectiva pesimista (qué podría salir mal), 3) desde una perspectiva pragmática (qué es más probable que ocurra). Al final sintetiza las tres perspectivas y da una recomendación. Problema: [DESCRIPCION]

6. Structured Output (Formato de salida definido)

Cuando necesitas el output en un formato específico para procesarlo o usarlo directamente.

Responde en formato JSON con esta estructura exacta:
{
  "titulo": "string",
  "resumen": "string de máximo 100 palabras",
  "puntos_clave": ["string", "string", "string"],
  "nivel_confianza": "alto|medio|bajo",
  "fuentes_recomendadas": ["string"]
}
Consulta: [CONSULTA]

7. Iterative Refinement (Refinamiento iterativo)

Los mejores outputs rara vez salen en el primer intento. El proceso de iteración es parte de la técnica.

[Primer prompt con la tarea]
---
[Después de recibir el primer output]
Está bien pero necesito que: 1) [MEJORA_1], 2) [MEJORA_2]. Mantén lo que funciona y reescribe solo lo que necesita mejorar.

Cuándo usar cada técnica

Situación	Técnica recomendada
Problema complejo con varios pasos	Chain-of-Thought
Quieres replicar un estilo concreto	Few-Shot
Necesitas expertise específico	Role Prompting
No sabes cómo formular el prompt	Meta-Prompting
Decisión importante con incertidumbre	Self-Consistency
El output va a ser procesado por código	Structured Output

La técnica más subestimada sigue siendo la iteración. El primer prompt raramente es el mejor. Trata cada conversación con la IA como un proceso de refinamiento, no como una consulta única.

---

Explora la biblioteca completa de técnicas y prompts avanzados en Promptia.