Última actualización: 2026-11-11

Contenido de esta página

• ¿Qué es el prompt engineering?
• Las partes de un buen prompt: rol, tarea, contexto, formato y restricciones
• Técnicas de prompt engineering con evidencia
• Cómo se evalúa un prompt
• Por qué un buen prompt no reemplaza los datos ni el modelo adecuado

Historia real, contada por sus autores en el artículo que la publicó. En un artículo enviado en mayo de 2022, un equipo de la Universidad de Tokio y de Google Research contó cómo probó qué podía cambiar una sola frase [1]. Le dieron a un modelo de lenguaje de OpenAI, llamado text-davinci-002, problemas de aritmética escritos en palabras [1]. Un modelo de lenguaje es un programa que escribe texto calculando cómo debería seguir el que recibe.

Sin ayuda, el modelo resolvió bien el 17,7 % de los problemas de esa prueba [1]. Después los investigadores pusieron antes de cada respuesta la frase en inglés «Let’s think step by step», que en español es «pensemos paso a paso». El acierto subió a 78,7 % [1].

No se quedaron con la frase ganadora y ya. En una versión posterior del artículo compararon dieciséis frases distintas sobre los mismos problemas, con el mismo modelo [1]. «Don’t think. Just feel.» («No pienses. Solo siente») dejó el acierto en 18,8 % [1].

El mismo artículo marca los límites. En las preguntas de sentido común, la frase no mejoró el resultado [1]. Y en los modelos más pequeños, razonar paso a paso no fue efectivo [1].

Las dos mitades de la historia son el tema de esta guía. Escribir bien la instrucción cambia lo que responde la máquina. Saber si la cambió exige medirlo.

¿Qué es el prompt engineering?

El prompt engineering, o ingeniería de prompts, es el trabajo de redactar las instrucciones para un modelo de inteligencia artificial generativa. Incluye comprobar que esas instrucciones producen lo que se necesita. Un prompt es esa instrucción: el texto con el que se le pide algo al modelo. La guía ética del Gobierno colombiano para entidades públicas habla de los modelos fundacionales, los grandes modelos de uso general. Dice que generan resultados a partir de «indicaciones» en forma de instrucciones en lenguaje humano [2].

OpenAI, la empresa detrás de ChatGPT, tiene una definición en su guía para desarrolladores. Es «el proceso de escribir instrucciones efectivas para un modelo, de modo que genere de forma consistente contenido que cumpla sus requisitos» [3]. La palabra que pesa es consistente. Una respuesta buena por suerte no cuenta.

La guía añade que el resultado de un modelo no es determinista: la misma instrucción puede dar respuestas distintas. Por eso describe el oficio como una mezcla de arte y ciencia [3].

Anthropic, la empresa que desarrolla el asistente Claude, pone el orden al revés. Su guía empieza por lo que debe existir antes de tocar el prompt [4]. Pide una definición clara de qué cuenta como éxito, una forma de probarlo con casos reales y un primer borrador para mejorar [4]. Y advierte que no todo criterio de éxito se resuelve con un mejor prompt [4].

En qué coinciden y en qué no las guías de OpenAI y Anthropic

Las dos guías coinciden en lo básico: instrucciones explícitas, ejemplos y separar con marcas claras cada parte del prompt [3] [5]. Difieren en el énfasis, y conviene saberlo antes de copiar una receta.

Tema	OpenAI	Anthropic
Cómo presenta el oficio	Una mezcla de arte y ciencia, porque el modelo no es determinista [3]	Un ciclo que empieza por definir el éxito y construir pruebas [4] [6]
La advertencia principal	Recomienda fijar la versión exacta del modelo y medir con pruebas al cambiarla [3]	Dice que a veces la demora o el costo se arreglan mejor cambiando de modelo [4]
Cuántos ejemplos poner	Pide ejemplos variados de entradas con la salida deseada [3]	Sugiere de 3 a 5 ejemplos para mejores resultados [5]
Qué tan detallada la instrucción	Los modelos de razonamiento rinden mejor con indicaciones generales; los modelos GPT, con instrucciones muy precisas [3]	Pide ser específico y explicar el porqué de las instrucciones [5]

Lo que el prompt engineering no es

No es una fórmula secreta. Las propias guías de los fabricantes describen técnicas que se prueban y se miden, no conjuros [3] [4].

Tampoco enseña nada nuevo al modelo de forma permanente. El artículo de 2020 que presentó GPT-3, un modelo de lenguaje de OpenAI, lo muestra bien [7]. Allí el modelo resolvía cada tarea sin actualizar sus parámetros, es decir, sin cambiar los números que aprendió al entrenarse [7]. Lo que el prompt pone, dura lo que dura la conversación.

Esta guía trata de cómo se le pide bien a un modelo. Qué significa que una máquina genere contenido, y qué no sabe hacer, está en la guía de inteligencia artificial generativa. Cómo aprende un modelo a partir de datos está en la guía de machine learning.

Las partes de un buen prompt: rol, tarea, contexto, formato y restricciones

Un prompt completo responde cinco preguntas: quién debe ser el modelo, qué debe hacer, con qué información, cómo debe entregar el resultado y qué no debe hacer. OpenAI propone ordenar un mensaje de instrucciones, por lo general, así: identidad, instrucciones, ejemplos y contexto. Aclara que el orden óptimo puede variar según el modelo [3]. Anthropic recomienda envolver cada tipo de contenido en su propia etiqueta, como <instructions> o <context>, para reducir malas interpretaciones [5].

Parte	Para qué sirve	Error típico
Rol	Enfoca el comportamiento y el tono del modelo; según Anthropic, una sola frase ya cambia el resultado [5]	Poner un rol solemne («eres un experto mundial») y olvidar decir la tarea
Tarea	Dice qué hacer, con pasos numerados cuando el orden importa [5]	Un verbo vago: «ayúdame con esto», «mejora el texto»
Contexto	Da la información y el propósito que el modelo no tiene: datos propios, para quién es, por qué importa [3] [5]	Suponer que el modelo conoce las normas y costumbres de su oficina
Formato de salida	Fija cómo debe llegar la respuesta: una palabra, una tabla, un tipo de archivo [5]	No decirlo y después no poder procesar la respuesta en una hoja de cálculo
Restricciones	Marca lo que el modelo nunca debe hacer [3], mejor si se explica la razón [5]	Una prohibición en mayúsculas sin motivo; Anthropic la muestra como la versión menos efectiva [5]

Anthropic propone una prueba sencilla: «muéstrele su prompt a un colega con poco contexto sobre la tarea y pídale que lo siga» [5]. Si el colega se confunde, el modelo también. La guía compara al modelo con un empleado brillante pero recién llegado, que no conoce sus normas ni su forma de trabajar [5].

Un prompt flojo y su versión mejorada

Este es un ejemplo didáctico, inventado para esta guía. Una oficina de atención al ciudadano quiere separar los mensajes que recibe. La versión floja:

Clasifica este mensaje.

La versión mejorada:

Eres el asistente de una oficina de atención al ciudadano.
Clasifica el mensaje en una sola categoría: queja, peticion o felicitacion.
Responde solo con la palabra, sin explicación.

La segunda versión tiene rol (primera línea), tarea con opciones cerradas (segunda) y formato con restricción (tercera). Le falta el contexto: si la oficina tiene reglas para los casos dudosos, deberían ir ahí. Si es mejor de verdad, solo lo dirá una prueba, como la de más abajo.

Técnicas de prompt engineering con evidencia

Las técnicas que más se citan tienen detrás artículos que las midieron en tareas concretas, con modelos concretos. Lo que sigue respeta ese alcance: cada técnica funcionó en las pruebas que reporta su artículo, no en todo.

Prompting sin ejemplos y con pocos ejemplos (zero-shot y few-shot)

Ese artículo de 2020, firmado por un equipo de OpenAI, describe un GPT-3 de 175.000 millones de parámetros y lo prueba de tres maneras [7]. Sin ejemplos (zero-shot): solo una instrucción en lenguaje natural. Con un ejemplo (one-shot): la instrucción más una demostración. Con pocos ejemplos (few-shot): varias demostraciones de la tarea dentro del mismo texto [7].

Los autores reconocen que pedir algo sin ejemplos puede ser «injustamente difícil» [7]. Su caso: pedir «una tabla de récords mundiales de los 200 metros» es ambiguo, porque no queda claro qué columnas debe llevar la tabla [7]. Un ejemplo puede despejar esa duda.

La cantidad cambió con los años. En ese artículo solían poner entre 10 y 100 ejemplos, los que cabían en el texto que el modelo podía leer de una vez [7]. La guía actual de Anthropic sugiere de 3 a 5, relevantes, variados y separados de las instrucciones [5].

Un estudio de 2022 matizó qué aprende el modelo de esos ejemplos. En tareas de clasificación y de opción múltiple, cambiar al azar las respuestas de los ejemplos apenas afectó el rendimiento, en 12 modelos distintos [8]. Lo que más pesó fue otra cosa: que los ejemplos mostraran las respuestas posibles, el tipo de texto de entrada y el formato [8].

Cadena de pensamiento (chain of thought)

La cadena de pensamiento consiste en pedirle al modelo que escriba los pasos intermedios de su razonamiento antes de la respuesta final [9]. En el artículo original de 2022, de un equipo de Google, la técnica se activaba con unos pocos ejemplos resueltos paso a paso dentro del prompt [9]. Mejoró el desempeño en problemas de aritmética, de sentido común y de manipulación de símbolos, con tres modelos grandes [9].

La letra pequeña importa. Los autores encontraron que la técnica no ayudó a los modelos pequeños: solo dio ganancias con modelos de unos 100.000 millones de parámetros [9]. Por debajo de 10.000 millones, en la mayoría de los casos empeoró el resultado [9].

La versión sin ejemplos es la de la historia del principio: añadir «pensemos paso a paso» [1]. Su tabla de frases es, en sí misma, una lección de evaluación.

Frase añadida antes de la respuesta (selección)	Acierto en la misma prueba
Ninguna (sin cadena de pensamiento)	17,7 %
«Let’s think step by step.»	78,7 %
«Let’s think about this logically.»	74,5 %
«Let’s think»	57,5 %
«Don’t think. Just feel.»	18,8 %
«By using the fact that the earth is round,»	9,3 %

Fuente: Kojima et al., 2022 [1]. Problemas de aritmética en palabras del banco MultiArith, modelo text-davinci-002 de OpenAI. El artículo prueba dieciséis frases; aquí se muestran seis.

Un cambio reciente que conviene conocer. OpenAI explica que sus modelos de razonamiento ya generan por dentro una cadena de pensamiento [3]. Anthropic describe un pensamiento adaptativo en el que el modelo decide cuándo y cuánto pensar [5]. Con esos modelos, parte de lo que en 2022 había que pedir ya viene incluido.

Descomposición: dividir el problema en partes

La cadena de pensamiento tiende a rendir mal cuando el problema es más difícil que los ejemplos del prompt [10]. Un equipo de Google propuso en 2022 la técnica de menor a mayor: partir un problema complejo en subproblemas más simples y resolverlos en orden, usando cada respuesta para la siguiente [10]. La probaron en manipulación de símbolos, generalización de instrucciones compuestas y razonamiento matemático [10].

Anthropic recomienda una idea vecina, encadenar prompts: dividir una tarea en llamadas sucesivas al modelo [5]. Su guía dice que sigue siendo útil cuando se necesita revisar los resultados intermedios o imponer un orden fijo de pasos [5].

Autocrítica: que el modelo revise su propio borrador

La autocrítica es pedirle al modelo que critique su primera respuesta y la corrija con esa crítica. El método Self-Refine, de 2023, lo hace en ciclos con un mismo modelo, sin entrenamiento adicional [11]. Lo evaluaron en siete tareas, desde respuestas de diálogo hasta razonamiento matemático, con GPT-3.5, ChatGPT y GPT-4 [11]. Personas y métricas automáticas prefirieron esas salidas a las de un solo intento [11].

Tiene dos límites documentados. Con un modelo más débil, Vicuna-13B, el refinamiento no funcionó de forma consistente [11]. Y otro estudio de 2023 encontró que, en tareas de razonamiento, los modelos tienen dificultades para corregirse sin retroalimentación externa; a veces rinden peor después de la autocorrección [12].

Anthropic propone el patrón con un criterio de por medio: borrador, revisión contra criterios definidos y versión final, cada paso en una llamada distinta para poder registrarlo y evaluarlo [5]. El criterio es el que hace la diferencia. Sin él, el modelo se revisa a ciegas.

Cómo se evalúa un prompt

Un prompt se evalúa como cualquier medición seria: con un criterio de acierto escrito antes de probar, un conjunto fijo de casos y la misma prueba para cada versión. La guía de evaluación de Anthropic pide criterios específicos y medibles, y casos que se parezcan a la tarea real, incluidos los difíciles [6].

1. Escriba el criterio de éxito antes de probar. Anthropic pone un ejemplo: «buen desempeño» es un mal criterio; «clasificación correcta del sentimiento», uno bueno [6].
2. Arme un conjunto de prueba fijo. Casos reales, con la respuesta correcta anotada de antemano y con casos límite: entradas vacías, muy largas o ambiguas [6].
3. Corra cada versión del prompt sobre los mismos casos. Si cambian los casos, la comparación no vale.
4. Califique con reglas cuando se pueda. Para Anthropic, la calificación por código, como la coincidencia exacta, es la más rápida y confiable. La humana es la más flexible, pero lenta y costosa, y la guía pide evitarla si se puede. La que hace otro modelo con una rúbrica es rápida y flexible, siempre que antes se compruebe que es confiable [6].
5. Prefiera muchos casos a pocos perfectos. La guía lo dice así: más preguntas con calificación automática algo menos fina valen más que pocas calificadas a mano [6].
6. Repita la prueba al cambiar de modelo. OpenAI recomienda fijar la versión exacta del modelo en producción y mantener pruebas que midan el comportamiento del prompt cuando se cambie [3].

Por qué un solo caso bonito no demuestra nada

Un solo caso no distingue dos prompts. Si el modelo responde bien a la pregunta que usted escogió para la demostración, eso dice poco sobre las otras cien. Y como el modelo no es determinista, ni siquiera garantiza que la misma pregunta salga igual mañana [3].

El siguiente programa en Python, un lenguaje de programación libre y gratuito, compara los dos prompts del ejemplo anterior. Ojo: la función modelo_simulado no es un modelo de lenguaje. Es una función de juguete con reglas fijas, escrita para que el arnés corra sin conexión. Imita dos defectos frecuentes: el relleno cuando nadie pidió formato y el error en un caso ambiguo.

# Arnés mínimo para comparar dos prompts sobre los mismos casos.
# OJO: modelo_simulado() NO es un modelo de lenguaje. Es una función de juguete
# que imita dos defectos comunes (respuestas con relleno y fallas en casos
# ambiguos) para que el arnés se pueda ejecutar sin conexión ni costo.

PROMPT_FLOJO = "Clasifica este mensaje."
PROMPT_MEJORADO = (
    "Eres el asistente de una oficina de atención al ciudadano. "
    "Clasifica el mensaje en una sola categoría: queja, peticion o felicitacion. "
    "Responde solo con la palabra, sin explicación."
)

# Conjunto de prueba fijo: (mensaje, respuesta correcta definida ANTES de probar)
CASOS = [
    ("El bus nunca pasó y nadie respondió mis llamadas", "queja"),
    ("Solicito una copia de mi certificado de residencia", "peticion"),
    ("Gracias por arreglar el alumbrado de mi cuadra", "felicitacion"),
    ("Pido que instalen un reductor de velocidad frente a la escuela", "peticion"),
    ("Llevo tres semanas esperando respuesta y es un abuso", "queja"),
    ("Excelente atención en la ventanilla de impuestos", "felicitacion"),
    ("Quiero saber cómo pedir la cita, aunque la última vez me trataron mal", "peticion"),
    ("Necesito el horario de la biblioteca", "peticion"),
]

def modelo_simulado(prompt, mensaje):
    """Función SIMULADA, con reglas fijas. No representa a ningún modelo real."""
    texto = mensaje.lower()
    if "mal" in texto or "abuso" in texto or "nunca" in texto:
        etiqueta = "queja"          # falla a propósito en el caso ambiguo
    elif "gracias" in texto or "excelente" in texto:
        etiqueta = "felicitacion"
    else:
        etiqueta = "peticion"
    if "solo con la palabra" in prompt:
        return etiqueta
    # Sin instrucción de formato, la simulación agrega relleno en los mensajes largos
    if len(mensaje.split()) > 8:
        return "Este mensaje parece ser una " + etiqueta + "."
    return etiqueta

def acierta(salida, esperada):
    # Criterio de acierto fijado de antemano: coincidencia exacta de la etiqueta
    return salida.strip().lower() == esperada

for nombre, prompt in [("flojo", PROMPT_FLOJO), ("mejorado", PROMPT_MEJORADO)]:
    aciertos = sum(acierta(modelo_simulado(prompt, m), e) for m, e in CASOS)
    print(f"Prompt {nombre}: {aciertos} de {len(CASOS)} aciertos")

# Un solo caso "bonito" no distingue las dos versiones:
m, e = CASOS[1]
print("Caso 2 con el prompt flojo:", acierta(modelo_simulado(PROMPT_FLOJO, m), e))

Ejecutado con Python 3.11.15 [13], imprime esto:

Prompt flojo: 4 de 8 aciertos
Prompt mejorado: 7 de 8 aciertos
Caso 2 con el prompt flojo: True

Esas cifras salen de la simulación, no de un modelo real: solo muestran cómo se lee la prueba. El caso 2 sale bien con las dos versiones, así que no sirve para escoger. El caso 7, el ambiguo, falla con ambas: ese es el que pide una regla nueva en el contexto del prompt. Con un modelo real, se cambia modelo_simulado por la llamada al servicio y el resto del arnés queda igual.

Guardar cada versión del prompt con su resultado es parte del oficio. La guía ética colombiana pide para los sistemas de inteligencia artificial del sector público registros técnicos como el control de versiones del modelo y los registros de auditoría [2]. Un prompt sin historial es una decisión que nadie puede revisar.

Por qué un buen prompt no reemplaza los datos ni el modelo adecuado

Un prompt mejora lo que el modelo ya puede hacer; no le da conocimientos que no tiene ni capacidades que le faltan. La cadena de pensamiento no rescató a los modelos pequeños [9], y la autocrítica no funcionó con un modelo débil [11]. Anthropic lo dice desde su guía: a veces la demora y el costo se arreglan mejor eligiendo otro modelo [4].

Si la respuesta depende de documentos propios, como las normas internas de una oficina, la solución es dárselos al modelo dentro del prompt. OpenAI señala que a esa técnica a veces se la llama RAG (generación aumentada por recuperación: buscar los documentos útiles y añadirlos al prompt) [3]. Si lo que hace falta es cambiar el comportamiento del modelo de forma estable, el camino es el ajuste fino (fine-tuning), que vuelve a entrenarlo con ejemplos propios. Cómo funciona un modelo de lenguaje por dentro, los asistentes de programación y los agentes que encadenan acciones son temas aparte.

Y queda la persona. La guía ética colombiana fija un propósito para la inteligencia artificial en el Estado: «aumentar las capacidades humanas y no dejar la toma de decisiones críticas exclusivamente en manos de la IA» [2]. Ningún prompt traslada esa responsabilidad.

Quien quiera convertir esto en oficio encontrará el panorama de perfiles y formación en las rutas de aprendizaje en datos.

A mi juicio, el valor del prompt engineering está menos en la frase ingeniosa que en la tabla de dieciséis frases del experimento de Tokio. La frase ganadora envejece con cada modelo nuevo. El hábito de probar varias versiones sobre los mismos casos, y de guardar el resultado, sirve igual para el modelo de este año y para el del próximo. Si una oficina pública o una pyme va a confiar en estas herramientas, ese hábito no exige comprar nada y es lo único que le dirá si la herramienta acierta.

Preguntas frecuentes

¿Qué significa prompt en español? En este oficio, prompt es el mensaje que alguien escribe para que el modelo responda. Las alternativas en castellano son instrucción, indicación o consigna, y un documento oficial colombiano ya usa «indicaciones» [2]. Entre quienes programan sigue mandando la palabra inglesa, como en «ingeniería de prompts».

¿Cuántos ejemplos conviene poner en un prompt? No hay un número universal. La guía de Anthropic sugiere de 3 a 5 para sus modelos actuales [5]. El artículo de GPT-3, en 2020, usaba muchos más porque probaba otro tipo de modelo [7]. Más que la cantidad, cuenta que los ejemplos sean variados y que muestren el formato esperado [8]. La forma de decidirlo es probar con dos o tres cantidades sobre el mismo conjunto de casos.

¿Sigue sirviendo escribir «piensa paso a paso»? Depende del modelo. La frase dio grandes saltos en 2022 con modelos grandes y en problemas de aritmética, pero no en preguntas de sentido común ni en modelos pequeños [1]. Los modelos de razonamiento actuales ya piensan por dentro, según OpenAI y Anthropic [3] [5]. Con ellos, la frase puede sobrar. La única respuesta segura sale de una prueba propia.

¿Un prompt que funcionó una vez funciona siempre? No necesariamente. Las respuestas de un modelo no son deterministas, y distintas versiones de un mismo modelo pueden responder distinto al mismo prompt [3]. Por eso OpenAI recomienda fijar la versión exacta del modelo y mantener pruebas que se repitan con cada cambio [3].

¿Cuál es la diferencia entre un prompt y entrenar un modelo? El prompt orienta al modelo durante una conversación, sin modificarlo. Entrenarlo o ajustarlo cambia los números internos que guarda el modelo. En los experimentos con pocos ejemplos de GPT-3, el modelo resolvía cada tarea sin actualizar sus parámetros [7]. Cuando la conversación termina, lo que enseñó el prompt se va con ella.

Referencias

Las citas en otro idioma son traducción propia.

1. Kojima, Takeshi; Gu, Shixiang Shane; Reid, Machel; Matsuo, Yutaka; Iwasawa, Yusuke. Large Language Models are Zero-Shot Reasoners, arXiv 2205.11916 (enviado el 24 de mayo de 2022; versión 4 del 29 de enero de 2023), Universidad de Tokio y Google Research — con text-davinci-002, añadir «Let’s think step by step» subió el acierto en MultiArith de 17,7 % a 78,7 %; comparación de 16 plantillas en la tabla 4 (78,7; 74,5; 57,5; 18,8; 9,3); sin ganancias en sentido común; la cadena de pensamiento no es efectiva en modelos pequeños. arXiv: Kojima et al. 2022 — Consultada: 2026-11-11.
2. Presidencia de la República de Colombia, con MinTIC, Minciencias, DNP y CRC. Guía Ética para la Implementación, Desarrollo y Uso de Sistemas de Inteligencia Artificial en Entidades Públicas de Colombia (página de MinTIC actualizada el 7 de enero de 2026) — define los modelos fundacionales como IA generativa que genera resultados a partir de «indicaciones» en forma de instrucciones en lenguaje humano; principio de centralidad humana; registros técnicos como control de versiones del modelo y logs de auditoría. MinTIC: Guía ética de IA para entidades públicas — Consultada: 2026-11-11.
3. OpenAI. Prompt engineering, guía de la documentación para desarrolladores — definición («the process of writing effective instructions for a model, such that it consistently generates content that meets your requirements»); contenido no determinista, «a mix of art and science»; fijar versiones del modelo y construir pruebas; orden identidad, instrucciones, ejemplos y contexto; aprendizaje con pocos ejemplos; contexto y RAG; modelos de razonamiento con cadena de pensamiento interna y mejor desempeño con indicaciones generales. OpenAI: guía de prompt engineering — Consultada: 2026-11-11.
4. Anthropic. Prompt engineering overview, documentación de Claude — requisitos previos (criterios de éxito, forma de probarlos, primer borrador); no todo criterio se resuelve con prompt engineering; la demora y el costo a veces se mejoran cambiando de modelo. Anthropic: panorama de prompt engineering — Consultada: 2026-11-11.
5. Anthropic. Prompting best practices, documentación de Claude — ser claro y directo; prueba del colega («Show your prompt to a colleague with minimal context on the task and ask them to follow it»); empleado brillante pero nuevo; contexto y motivación; 3 a 5 ejemplos; etiquetas XML; rol en una frase; pensamiento adaptativo; encadenar prompts y patrón de autocorrección (borrador, revisión contra criterios, refinamiento). Anthropic: buenas prácticas de prompts — Consultada: 2026-11-11.
6. Anthropic. Define success criteria and build evaluations, documentación de Claude — criterios específicos, medibles, alcanzables y relevantes; pruebas parecidas a la tarea real con casos límite; automatizar; «Prioritize volume over quality»; orden de calificación: código, humana (lenta y costosa) y por modelo con rúbrica. Anthropic: criterios de éxito y evaluaciones — Consultada: 2026-11-11.
7. Brown, Tom B. et al. Language Models are Few-Shot Learners, arXiv 2005.14165 (enviado el 28 de mayo de 2020), OpenAI — GPT-3 con 175.000 millones de parámetros; definiciones de zero-shot, one-shot y few-shot; tareas sin actualizar gradientes ni ajuste fino; K típicamente entre 10 y 100 ejemplos (ventana de 2.048); el caso de la tabla de récords de los 200 metros como pedido ambiguo, «unfairly hard». arXiv: Brown et al. 2020 — Consultada: 2026-11-11.
8. Min, Sewon; Lyu, Xinxi; Holtzman, Ari; Artetxe, Mikel; Lewis, Mike; Hajishirzi, Hannaneh; Zettlemoyer, Luke. Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?, arXiv 2202.12837 (enviado el 25 de febrero de 2022) — reemplazar al azar las etiquetas de los ejemplos apenas afecta el rendimiento en tareas de clasificación y opción múltiple, en 12 modelos; pesan el espacio de etiquetas, la distribución del texto de entrada y el formato. arXiv: Min et al. 2022 — Consultada: 2026-11-11.
9. Wei, Jason; Wang, Xuezhi; Schuurmans, Dale; Bosma, Maarten; Ichter, Brian; Xia, Fei; Chi, Ed; Le, Quoc; Zhou, Denny. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, arXiv 2201.11903 (enviado el 28 de enero de 2022), Google — pocos ejemplos con pasos intermedios; mejoras en aritmética, sentido común y razonamiento simbólico con tres modelos grandes; habilidad emergente de la escala: sin efecto positivo en modelos pequeños, ganancias con modelos de unos 100.000 millones de parámetros, empeora en la mayoría de los modelos de menos de 10.000 millones. arXiv: Wei et al. 2022 — Consultada: 2026-11-11.
10. Zhou, Denny; Schärli, Nathanael; Hou, Le; Wei, Jason; Scales, Nathan; Wang, Xuezhi; Schuurmans, Dale; Cui, Claire; Bousquet, Olivier; Le, Quoc; Chi, Ed. Least-to-Most Prompting Enables Complex Reasoning in Large Language Models, arXiv 2205.10625 (enviado el 21 de mayo de 2022) — la cadena de pensamiento tiende a fallar en problemas más difíciles que los ejemplos; dividir en subproblemas más simples y resolverlos en orden; evaluado en manipulación simbólica, generalización composicional y razonamiento matemático. arXiv: Zhou et al. 2022 — Consultada: 2026-11-11.
11. Madaan, Aman et al. Self-Refine: Iterative Refinement with Self-Feedback, arXiv 2303.17651 (enviado el 30 de marzo de 2023) — un mismo modelo genera, critica y refina, sin datos supervisados ni entrenamiento adicional; 7 tareas con GPT-3.5, ChatGPT y GPT-4, salidas preferidas por personas y métricas automáticas; con Vicuna-13B el refinamiento no fue consistente. arXiv: Madaan et al. 2023 — Consultada: 2026-11-11.
12. Huang, Jie; Chen, Xinyun; Mishra, Swaroop; Zheng, Huaixiu Steven; Yu, Adams Wei; Song, Xinying; Zhou, Denny. Large Language Models Cannot Self-Correct Reasoning Yet, arXiv 2310.01798 (enviado el 3 de octubre de 2023) — en razonamiento, los modelos tienen dificultades para autocorregirse sin retroalimentación externa y a veces su desempeño empeora tras la autocorrección. arXiv: Huang et al. 2023 — Consultada: 2026-11-11.
13. Python Software Foundation. Python 3.11.15 — versión de la serie 3.11 publicada el 3 de marzo de 2026, usada para ejecutar el arnés de esta página. Python.org: Python 3.11.15 — Consultada: 2026-11-11.

Cómo investigamos esta página

• Pregunta que responde: Qué es el prompt engineering, cómo se escribe una buena instrucción y cómo se comprueba con pruebas que funciona.
• Fuentes: identificadas 16 → incluidas 13
• Criterios de inclusión: guías oficiales de OpenAI y Anthropic, artículos originales de cada técnica y la guía ética colombiana de IA en el sector público; ningún blog, curso ni enciclopedia.
• Fecha de corte de los datos: 2026-11-11