Ingeniería de prompts: nueve técnicas de la documentación de OpenAI y Anthropic

La ingeniería de prompts es el proceso de escribir instrucciones eficaces para un modelo de forma que produzca de manera constante lo que necesitas. La documentación de OpenAI la define casi con esas palabras y añade que, como la salida de un modelo no es determinista, conseguir lo que quieres es «una mezcla de arte y ciencia». Esta guía reúne las técnicas que OpenAI y Anthropic documentan para sus modelos actuales, comprobadas el 6 de octubre de 2026, y muestra cómo aplicarlas con ejemplos nuestros de antes y después. Sirve para cualquier asistente de chat o API y no es una colección de frases mágicas: las técnicas consisten en ser claro, dar contexto y probar lo que escribes.

Qué hacer antes de escribir el prompt

La guía de Anthropic empieza por tres cosas que necesitas antes: una definición clara de los criterios de éxito de tu caso, alguna forma de probar contra esos criterios y un primer borrador del prompt. Si no los tienes, remite a definir criterios de éxito y construir evaluaciones antes de ajustar la redacción. OpenAI dice lo mismo con otras palabras: construye pruebas y baterías de evaluación que midan el comportamiento del prompt para poder vigilar los resultados mientras iteras o cuando cambias de versión del modelo, y fija las aplicaciones en producción a una versión concreta del modelo para que el comportamiento sea estable.

Anthropic recuerda además que no todo fallo de una evaluación se resuelve mejor tocando el prompt: a veces se mejoran la latencia y el coste con más facilidad eligiendo otro modelo. Para los precios que hay detrás de esa elección, mira precios de las API de modelos comparados.

1. Sé claro y directo

El primer principio de Anthropic es que Claude responde bien a instrucciones claras y explícitas, y que si quieres un comportamiento que «vaya más allá» debes pedirlo en lugar de esperar que el modelo lo deduzca. Su regla práctica es tratar al modelo como «un empleado brillante pero nuevo que no conoce tus normas ni tus procesos», y su regla de oro es enseñar el prompt a un compañero con poco contexto y pedirle que lo siga: si se confundiría, el modelo también. Sé específico con la salida que quieres y, cuando importe el orden, da los pasos en una lista numerada.

El ejemplo de Anthropic: «Crea un panel de analítica» es menos eficaz que «Crea un panel de analítica. Incluye todas las funciones e interacciones relevantes que puedas. Ve más allá de lo básico para crear una implementación completa».

2. Da el motivo de cada instrucción

Explicar por qué quieres algo ayuda al modelo a aplicarlo con sentido. En el ejemplo de Anthropic, «No uses nunca puntos suspensivos» es menos eficaz que «Tu respuesta la leerá en voz alta un motor de texto a voz, así que no uses nunca puntos suspensivos, porque el motor no sabrá pronunciarlos». El modelo puede generalizar a partir del motivo a casos que no enumeraste.

3. Usa roles y niveles de autoridad

OpenAI separa las instrucciones según quién las da: los mensajes de developer vienen del desarrollador de la aplicación y tienen prioridad sobre los de user, que vienen del usuario final. Propone pensar en el mensaje del desarrollador como la definición de una función, con las reglas y la lógica de negocio, y en el del usuario como sus argumentos. Anthropic dice lo mismo con el prompt de sistema: fijar ahí un rol, aunque sea con una sola frase como «Eres un asistente de programación especializado en Python», centra el comportamiento y el tono del modelo. En una aplicación de chat sin esos ajustes, el equivalente es abrir diciendo quién debe ser el asistente y qué quieres que haga.

4. Estructura el prompt

OpenAI dice que un mensaje de desarrollador suele contener cuatro secciones, por este orden: identidad (propósito y estilo), instrucciones (reglas, lo que hay que hacer y lo que no), ejemplos y contexto (información adicional, como datos privados), y que el contexto conviene ponerlo hacia el final porque cambia de una petición a otra. Los encabezados y las listas de Markdown marcan secciones; las etiquetas XML marcan dónde empieza y acaba un contenido, como un documento de referencia. Anthropic también recomienda las etiquetas XML, con nombres coherentes y descriptivos, porque ayudan al modelo a interpretar sin ambigüedad un prompt que mezcla instrucciones, contexto, ejemplos y datos de entrada.

5. Enseña ejemplos

Los ejemplos son, en palabras de Anthropic, una de las formas más fiables de guiar el formato, el tono y la estructura. Unos pocos ejemplos bien elegidos (prompts de pocos ejemplos o «few-shot») mejoran la precisión y la coherencia. Anthropic dice que hay que hacerlos relevantes para tu caso real, variados para cubrir casos límite y que el modelo no aprenda patrones no deseados, y estructurados con etiquetas para que no se confundan con instrucciones; sugiere de tres a cinco. OpenAI describe el aprendizaje con pocos ejemplos como orientar a un modelo hacia una tarea incluyendo un puñado de ejemplos de entrada y salida en lugar de ajustarlo con fine-tuning, y aconseja mostrar una gama variada de entradas.

6. Pon los documentos largos primero y la pregunta al final

Con entradas grandes, Anthropic aconseja colocar los documentos largos cerca del principio del prompt, por encima de la consulta, las instrucciones y los ejemplos, e informa de que poner la consulta al final puede mejorar la calidad de la respuesta hasta un 30 % en sus pruebas, sobre todo con entradas complejas de varios documentos. Para tareas sobre documentos largos, sugiere además pedir al modelo que cite primero las partes relevantes. La guía de contexto largo de Google da el mismo consejo de poner la pregunta después del contexto. Si reutilizas las mismas instrucciones en muchas peticiones, deja lo estable al principio: OpenAI señala que eso también maximiza el ahorro de la caché de prompts.

7. Di qué hacer, no qué evitar

Anthropic lo cita como una forma eficaz de controlar el formato: en lugar de «No uses markdown en tu respuesta», escribe «Tu respuesta debe estar formada por párrafos de prosa fluida». Las instrucciones en positivo dan al modelo un objetivo; las prohibiciones le dejan adivinar qué hacer en su lugar.

8. Especifica el formato de salida

Indica el formato que necesitas: extensión, estructura, idioma, secciones. Cuando una aplicación vaya a leer la respuesta, usa las funciones de salida estructurada de tu API para que la respuesta siga un esquema JSON; OpenAI señala que los modelos pueden devolver datos estructurados en JSON con su función Structured Outputs. Con documentos largos, di si quieres un resumen, una tabla o una lista y en qué orden.

9. Pruébalo, versiónalo y vuelve a probarlo

Los prompts son código. OpenAI recomienda guardar los prompts de producción en el código de tu aplicación, con entradas tipadas, revisión y pruebas, y añadir casos representativos y comprobaciones de evaluación antes de cambiar un prompt que está en uso. Los distintos tipos de modelo (de razonamiento y GPT) pueden necesitar prompts distintos, e incluso versiones distintas de la misma familia pueden comportarse de otra manera, así que vuelve a pasar tus evaluaciones cuando cambies de modelo. Nuestras guías de Claude vs ChatGPT y de cuánto cuesta ChatGPT en España explican qué modelos da cada plan.

Un ejemplo completo

Es un ejemplo nuestro de las técnicas juntas, para un asistente de atención al cliente. La versión débil es «Responde a las preguntas de los clientes sobre nuestras devoluciones». La versión más sólida usa las secciones que describe OpenAI:

• Identidad: «Eres el asistente de atención al cliente de una tienda en línea pequeña. Escribes respuestas breves y amables en el idioma del cliente».
• Instrucciones: «Responde solo a partir de la política que aparece en el contexto. Si la política no cubre la pregunta, di que la pasarás a una persona. Da primero la respuesta y después los pasos, en una lista numerada. No prometas reembolsos».
• Ejemplos: dos o tres preguntas de muestra con las respuestas que querrías, dentro de etiquetas de ejemplo.
• Contexto: el texto de la política de devoluciones, al final, seguido del mensaje del cliente.

Después pruébalo con entre 30 y 50 preguntas reales del pasado y lee las respuestas antes de que las vea ningún cliente. Si al modelo le falta información, añadir los documentos adecuados (recuperación) hará más que reformular: mira qué es RAG.

Lo que un prompt no puede arreglar

Un prompt mejor no hace que un modelo sepa lo que no se le ha dado, y no garantiza una respuesta correcta. Para los datos que cambian o son privados, dale al modelo el texto de la fuente. Para las decisiones que importan, mantén a una persona en el circuito y comprueba el resultado. Si un modelo es demasiado lento o demasiado caro, prueba con otro modelo antes de alargar el prompt. Los modelos también pueden afirmar cosas falsas con fluidez, y nuestra guía de alucinaciones de los modelos explica por qué y qué técnicas de prompt lo reducen, como permitir que el modelo diga que no lo sabe.