Centro de
Inteligencia Artificial
de Uruguay

Le pedís al modelo hacer algo sin ejemplos previos. Funciona bien para tareas simples o cuando el modelo ya está bien entrenado en ese dominio.

Le das 2–5 ejemplos de input/output esperado antes de la tarea real. Es la técnica con mejor rendimiento por esfuerzo.

El system prompt es la instrucción que recibe el modelo antes que cualquier mensaje del usuario. Es la herramienta más poderosa para controlar el comportamiento en producción.

• Conteo exacto: "en exactamente 3 oraciones", "máximo 150 palabras"
• Anclar al formato: "en una tabla de 5 filas máximo"
• Prohibir relleno: "sin introducción, sin conclusión, sin explicaciones"
• Pedir densidad: "respuesta concisa y densa, sin repetición"

Combina búsqueda semántica con el modelo para responder preguntas sobre documentos específicos o bases de conocimiento privadas.

• Creá un set de 20+ casos de prueba representativos
• Definí métricas claras (precisión, formato correcto, tono)
• Documentá cada versión del prompt con sus resultados
• Cambiá una variable a la vez para entender el impacto
• Prestá atención especial a los casos extremos

Los modelos pueden generar información falsa con total confianza. El prompter profesional diseña sistemas que minimizan y detectan este problema.

• Pedirle al modelo que diga "no sé" explícitamente si no tiene certeza
• Usar RAG para anclar respuestas a documentos verificados
• Para datos críticos, verificar siempre con fuente primaria
• Preguntar: "¿Qué tan seguro estás de esto? (0–100%)"

• Nunca enviar datos personales (CI, tarjetas, salud) sin revisar políticas de retención
• Anonimizar datos antes de enviarlos a cualquier modelo
• Para datos sensibles empresariales: usar modelos desplegados localmente

La disciplina evolucionó: ya no alcanza con redactar bien una instrucción. Hoy se diseña todo lo que el modelo ve — qué información entra, en qué orden, qué se descarta y qué se resume. Esto es "ingeniería de contexto", y es el nivel siguiente al prompting clásico.

• Poné primero lo estático (system prompt, documentos de referencia) y al final lo variable (la consulta del usuario) — esto habilita prompt caching, que reduce costo y latencia en llamadas repetidas
• No le mandes al modelo todo el historial de una conversación larga sin criterio — resumí lo viejo y conservá literal solo lo reciente y relevante
• Un contexto más largo no es gratis: más tokens irrelevantes diluyen la atención del modelo sobre lo que importa

Pedir JSON "a mano" en el prompt es frágil. Las técnicas actuales usan esquemas explícitos:

• Definí un schema (JSON Schema, Pydantic, etc.) y pedile al modelo que lo respete estrictamente, con validación automática y reintento si falla
• Para integraciones con herramientas externas, describí cada función disponible con precisión: nombre, parámetros, tipos y un ejemplo de uso — el modelo elige y llama la función correcta
• Separá siempre "razonamiento" de "salida final" en dos campos distintos del schema — mezclar ambos ensucia el parseo

Para tareas difíciles (matemática, lógica, decisiones con múltiples pasos), tres técnicas que superan al Chain-of-Thought simple:

• Self-consistency: pedile al modelo la misma tarea 3-5 veces con variación, y quedate con la respuesta mayoritaria — mejora precisión en problemas con una respuesta correcta objetiva
• Tree-of-Thought: en vez de un solo camino de razonamiento, hacé que el modelo explore varias ramas de solución en paralelo y descarte las que no prosperan, antes de comprometerse a una respuesta final
• Reasoning explícito controlado: en modelos con razonamiento extendido, indicá el nivel de esfuerzo de pensamiento acorde a la dificultad real de la tarea — pedir razonamiento máximo para algo trivial desperdicia tiempo y presupuesto

• Para documentos largos, no mandes todo: recuperá solo los fragmentos relevantes (RAG bien indexado) en vez de saturar el contexto
• Usá resúmenes jerárquicos: resumí secciones, después resumí los resúmenes, para documentos que exceden la ventana disponible
• Monitoreá cuánto contexto real estás usando — un prompt inflado con instrucciones redundantes compite por atención con la información que sí importa

Un agente no responde una vez — itera. El patrón más usado (conocido como ReAct: razonar + actuar) estructura cada paso así:

• El modelo razona brevemente sobre qué hacer a continuación
• Ejecuta una acción (llama una herramienta, corre código, busca información)
• Observa el resultado real de esa acción — no lo inventa
• Decide si el objetivo está cumplido o si necesita otro paso

Para tareas complejas, un solo modelo generalista rinde peor que un equipo de agentes especializados coordinados:

• Un agente "orquestador" descompone la tarea grande en subtareas y las reparte
• Cada agente "especialista" recibe solo el contexto que necesita para su parte — no toda la conversación
• El orquestador integra los resultados parciales en la respuesta final, y valida coherencia entre ellos

La tendencia actual es estandarizar cómo un agente se conecta a fuentes externas (bases de datos, APIs, archivos) mediante protocolos abiertos en vez de integraciones a medida para cada herramienta — esto reduce el trabajo de mantenimiento cuando el ecosistema de herramientas crece.

• Medí tasa de éxito real de la tarea, no solo "el modelo respondió algo"
• Definí puntos de control humano (human-in-the-loop) antes de acciones irreversibles: enviar un mail, borrar datos, ejecutar un pago
• Registrá cada paso del agente (log de razonamiento + acciones) para poder auditar por qué tomó una decisión
• El costo de un agente escala con cada iteración — medí latencia y gasto por tarea completada, no solo por llamada individual

Para tareas de investigación larga y de alta dificultad (no consultas simples), un patrón de prompt de nivel experto combina seis elementos en capas:

• Rol + condición de éxito binaria: definí exactamente qué cuenta como completo, y rechazá explícitamente formas de entrega parcial que suelen colarse como si fueran progreso real (resúmenes, reducciones a un problema equivalente, verificación parcial)
• Heurísticas en vez de asignación fija: no le digas al sistema "usá X agentes para el enfoque Y" — dale un criterio de decisión ("si muchos agentes convergen a una misma familia de ideas, redirigí algunos hacia rutas menos exploradas")
• Registro vivo de exploración: pedile que mantenga un mapa de qué enfoques ya se probaron, agrupados por la idea de fondo — así se evita perseguir la misma vía disfrazada de várias formas
• Validación adversarial explícita: otro agente (o el mismo, en otro paso) debe atacar activamente cada candidato buscando fallas concretas y nombradas, no una revisión genérica de "¿está bien esto?"
• Anti-terminación-temprana: instruí explícitamente que un fallo parcial o un obstáculo no es motivo para devolver una respuesta incompleta — hay que seguir iterando o reportar el gap exacto
• Alcance de herramientas acotado: si el sistema puede buscar información externa, restringí para qué la puede usar — evitá que "resuelva" copiando una respuesta ya existente en vez de razonar el problema

Este patrón sirve para auditorías de código complejas, investigación de mercado exhaustiva, o cualquier tarea donde una respuesta apurada es peor que ninguna respuesta.