Prompt Engineering: la guía definitiva para desarrolladores

El prompt engineering es hoy una habilidad tan valiosa para un desarrollador como saber escribir buenas consultas SQL o diseñar una API limpia. No es magia ni intuición: es una disciplina con técnicas concretas que marcan la diferencia entre una respuesta mediocre y una que te ahorra horas de trabajo.

¿Qué es el Prompt Engineering?

El prompt engineering es el arte y la ciencia de formular instrucciones para los modelos de lenguaje de forma que produzcan resultados útiles, precisos y coherentes. Un mal prompt puede darte una respuesta genérica o incorrecta. Un buen prompt puede ahorrarte horas de trabajo.

Fundamentos: cómo piensan los LLMs

Antes de aprender técnicas, conviene entender cómo procesan los modelos tu entrada:

• Los LLMs predicen tokens, no “piensan”. Generan la continuación más probable dado el contexto.
• El contexto lo es todo. Cuanto más contexto relevante des, mejor será la respuesta.
• No tienen memoria entre conversaciones (salvo que uses sistemas de memoria explícitos).
• Son sensibles al formato. La estructura de tu prompt influye en la estructura de la respuesta.

Técnicas esenciales

1. Role Prompting

Asignar un rol específico al modelo mejora drásticamente la calidad de las respuestas especializadas.

Sin rol:

Revisa este código JavaScript y dime si hay problemas.

Con rol:

Eres un senior developer especializado en JavaScript con 10 años de experiencia.
Revisa este código como si fueras a hacer un code review en producción.
Identifica: bugs, problemas de rendimiento, malas prácticas y sugiere mejoras.

2. Few-Shot Prompting

Proporcionar 2-3 ejemplos del formato de entrada/salida esperado guía al modelo de forma muy efectiva.

Convierte estas descripciones de funciones a nombres en camelCase:

Input: "obtiene el usuario por id"
Output: getUserById

Input: "calcula el precio total con descuento"
Output: calculateTotalPriceWithDiscount

Input: "valida el formato del email"
Output:

3. Chain of Thought

Para problemas complejos, pedir al modelo que “piense paso a paso” mejora significativamente la precisión.

Analiza el siguiente bug y resuélvelo. Piensa paso a paso:
1. ¿Qué debería hacer el código?
2. ¿Qué está haciendo actualmente?
3. ¿Dónde está la discrepancia?
4. ¿Cuál es la solución?

4. Structured Output

Especificar el formato de salida exacto que necesitas evita tener que parsear texto libre.

Analiza este componente y devuelve un JSON con este formato exacto:
{
  "issues": [{"severity": "high|medium|low", "description": "...", "fix": "..."}],
  "overall_quality": "poor|fair|good|excellent"
}

5. Contextual Priming

Dar contexto sobre el proyecto antes de hacer preguntas específicas.

Contexto del proyecto:
- Framework: Nuxt 3 con TypeScript
- Estado: Pinia
- Testing: Vitest + Vue Test Utils
- Convención de nombres: kebab-case para archivos, PascalCase para componentes

Dado este contexto, crea un composable para gestionar la autenticación...

Técnicas avanzadas

Prompt Chaining

Divide tareas complejas en pasos encadenados donde la salida de uno es la entrada del siguiente:

1. “Analiza este código legado y lista todas las funciones”
2. “Para cada función, describe qué hace en una línea”
3. “Ahora refactoriza siguiendo principios SOLID”

Self-Consistency

Para decisiones importantes, pide varias opciones y luego que el modelo las evalúe:

Genera 3 formas diferentes de implementar este sistema de caché.
Para cada opción: implementación, ventajas e inconvenientes.
Finalmente, recomienda la mejor para un proyecto con 10.000 usuarios concurrentes.

Errores comunes a evitar

Prompts demasiado vagos

❌ “Mejorar este código” ✅ “Refactoriza esta función para mejorar la legibilidad, reducir la complejidad ciclomática y añadir manejo de errores. Mantén la misma funcionalidad.”

No especificar restricciones

❌ “Escribe una función de ordenación” ✅ “Escribe una función de ordenación en TypeScript para arrays de objetos, sin librerías externas, con complejidad O(n log n) e inmutable (no muta el array original)“

Pedir demasiado en un solo prompt

Divide las tareas grandes. Un prompt que pide “refactorizar toda la aplicación, añadir tests y documentación” dará resultados mediocres en todo.

Plantillas que uso a diario

Para code review

Actúa como un senior developer haciendo code review.
Analiza el siguiente código considerando:
- Correctitud (bugs, edge cases)
- Rendimiento (complejidad, operaciones costosas)
- Seguridad (inyecciones, exposición de datos)
- Mantenibilidad (legibilidad, acoplamiento)

Para cada problema: descripción, severidad (alta/media/baja) y solución concreta.

Para debugging

Soy desarrollador trabajando en [framework/tecnología].
Tengo el siguiente error: [error message]
El código relevante es: [código]
Lo que espero que haga: [comportamiento esperado]
Lo que está haciendo: [comportamiento actual]

Analiza el problema y proporciona la solución paso a paso.

Para generación de tests

Escribe tests unitarios con Vitest para la siguiente función.
Cubre: casos normales, casos edge, entradas inválidas y casos de error.
Sigue el patrón AAA (Arrange, Act, Assert) y usa nombres descriptivos.

Midiendo la calidad de tus prompts

Un buen prompt debería:

1. Ser reproducible: dar resultados similares en múltiples ejecuciones
2. Ser específico: sin ambigüedad sobre qué se espera
3. Incluir contexto relevante: sin información innecesaria
4. Especificar el formato de salida: cuando el formato importa
5. Tener un rol asignado: para tareas especializadas

Conclusión

El prompt engineering no es una habilidad misteriosa reservada para investigadores de IA. Es una habilidad práctica con retorno inmediato en productividad.

Empieza aplicando role prompting y few-shot prompting en tus tareas del día a día. Cuando domines esos, añade chain of thought para problemas complejos y structured output cuando necesites procesar los resultados programáticamente.

La clave está en la práctica iterativa: escribe un prompt, evalúa el resultado, mejora el prompt. Con el tiempo desarrollas intuición sobre qué funciona.