¿Qué es prompt engineering?

Prompt engineering es la disciplina de diseñar las instrucciones (prompts) que recibe un LLM para que produzca output preciso, consistente y útil. Incluye patrones como few-shot examples, chain-of-thought, structured output (JSON Schema), role prompting y system prompts. En agentes NexoSmart, el prompt engineering se combina con method indexing: cada método tiene su prompt versionado, no se redacta en runtime.

¿Cuáles son los patrones principales?

Cinco esenciales: zero-shot (solo instrucción), few-shot (3-5 ejemplos), chain-of-thought (pedir razonamiento paso a paso), structured output (forzar JSON Schema) y role prompting (asignar persona). Combinados producen el 90% de los resultados production-grade.

• •Zero-shot: solo instrucción
• •Few-shot: ejemplos en el prompt
• •Chain-of-thought: razonamiento explícito
• •Structured output: JSON Schema forzado
• •Role prompting: persona y contexto

¿Cuándo conviene prompt vs fine-tuning?

Probá prompt primero siempre. Si con prompt + method indexing no llegás a la calidad necesaria, recién ahí fine-tuneás. Regla: prompt es instantáneo y barato; fine-tune cuesta tiempo de GPU y dataset.

¿Cómo se versiona un prompt?

En Git, como código. NexoSmart guarda cada prompt en archivos .md o .ts versionados, con tests de regression que ejecutan el prompt sobre un dataset golden y comparan output. Cualquier cambio pasa por PR.

¿Sigue siendo relevante prompt engineering en 2026?

Sí, pero cambió. Los modelos son mejores siguiendo instrucciones simples, así que se simplificó. Lo que sí ganó peso: structured output, chain-of-thought explícito y prompt versioning con tests automatizados.

Temas relacionados