Glosario
66 términos de «Fundamentos de la ingeniería de prompts: cómo escribir instrucciones eficaces». Pasa el cursor sobre la primera aparición en la lección para ver la definición.
| Término | Definición | Fuente |
|---|---|---|
| prompt | La instrucción de texto que le das a un modelo de IA para decirle lo que quieres: una pregunta, una descripción, una tarea o alguna mezcla de las tres. Es el único canal por el que el modelo puede saber cuál es tu tarea. | Prompt - Wikipedia |
| modelo de lenguaje grande (LLM) | Un sistema de IA entrenado con cantidades enormes de texto que puede entender lenguaje natural y generar texto nuevo en respuesta; ChatGPT y Claude son ejemplos. | Large Language Model - Wikipedia |
| ingeniería de prompts | La práctica sistemática de diseñar y refinar prompts para que un modelo pueda actuar sobre lo que realmente necesitas. Es una habilidad reutilizable, no una colección de trucos de una sola vez. | Prompt - Wikipedia |
| prompt vago | Una instrucción que deja fuera la información que el modelo necesita (sin audiencia, sin formato, sin alcance), así que el modelo tiene que adivinar tu intención. | OpenAI Prompt Engineering Best Practices |
| prompt claro | Una instrucción que fija la tarea, el formato de salida y el contexto que el modelo necesita, dejando poco espacio para que improvise. | OpenAI Prompt Engineering Best Practices |
| calidad de la salida | Qué tan bien la respuesta del modelo coincide con lo que necesitabas: precisión, relevancia, completitud y formato correcto juntos, no solo si el contenido es correcto. | Prompt Engineering Best Practices 2026 |
| refinamientos de ida y vuelta | Las rondas extra de conversación necesarias para parchar un prompt que fue subespecificado. La investigación en generación de código encontró que especificaciones explícitas reducen estas rondas un 68%. | Prompt Engineering for Code Generation |
| instrucciones | La capacidad de un modelo de captar y actuar sobre lo que un prompt realmente pide. En 2026 los modelos lo hacen bien en indicaciones complejas, documentos largos y tareas de varios pasos. | IBM Prompt Engineering Guide 2026 |
| token | La unidad que un LLM usa para procesar texto, más o menos un fragmento de palabra. Tanto tu prompt como la respuesta del modelo consumen tokens, que es lo que pagas y esperas. | OpenAI Prompt Engineering Best Practices |
| rol | La identidad o perspectiva desde la que le dices a la IA que responda, como 'eres un ingeniero senior de Python' o 'eres un maestro que explica con analogías'. Fija el nivel de experiencia y el tono. | Anthropic Prompt Engineering Overview |
| descripción de la tarea | La parte del prompt que dice exactamente qué quieres que se haga. Tiene tres capas: un verbo (resumir, analizar, generar), un objeto (sobre qué actúa) y un objetivo (qué resultado alcanzar). | OpenAI Prompt Engineering Best Practices |
| formato de salida | La estructura y el estilo en que quieres la respuesta (JSON, una tabla, tres viñetas, un conjunto fijo de secciones) enunciado de forma explícita en lugar de dejarlo al modelo. | OpenAI Prompt Engineering Best Practices |
| restricciones | Las reglas de 'solo...' y 'no...' que delimitan la respuesta (longitud, alcance, tono, exclusiones, prioridades) y evitan que el modelo se desvíe de la tarea. | OpenAI Prompt Engineering Best Practices |
| contexto | La información de contexto que das en el prompt para que el modelo entienda la situación específica, la audiencia y los límites de la tarea. | Anthropic Prompt Engineering Overview |
| perspectiva de la audiencia | Un patrón de rol que enmarca la respuesta alrededor de quién la leerá, como 'le estás explicando esto a liderazgo no técnico'. Controla profundidad y vocabulario. | Anthropic Prompt Engineering Overview |
| jerga | Vocabulario específico del dominio cuyo uso debería decidirse por quién lee. Dirigida a la audiencia equivocada o pierde al lector o desperdicia su tiempo en explicación que no necesita. | Anthropic Prompt Engineering Overview |
| plantilla | Un prompt cuya parte variable se reemplaza por un marcador de posición, así que la misma estructura se puede reutilizar entre corridas con solo la entrada intercambiada. | Anthropic Prompt Engineering Overview |
| dimensiones de revisión | Los ángulos nombrados desde los que le dices a la IA que examine algo (corrección, rendimiento, seguridad, claridad), normalmente con un orden de prioridad. | Prompt Engineering for Code Generation |
| few-shot learning | Una técnica que guía al modelo colocando una cantidad pequeña de ejemplos (normalmente de 2 a 5) en el prompt, para que infiera el mapeo entrada-salida, el formato y el estilo a partir de ellos. | Prompt Engineering Guide - Few-Shot Prompting |
| zero-shot | Hacer un prompt con una instrucción y ningún ejemplo, dejando al modelo aplicar su propio juicio a la tarea. | Zero-shot Learning - Wikipedia |
| one-shot | Hacer un prompt con exactamente un ejemplo: más guía que zero-shot, menos que few-shot. | Few-Shot Prompting Guide |
| aprendizaje en contexto | La capacidad de un LLM de inferir una regla a partir de ejemplos dentro de la conversación actual y aplicarla a una entrada nueva, sin reentrenamiento involucrado. | Prompt Engineering Guide - Few-Shot Prompting |
| diversidad de ejemplos | Elegir ejemplos few-shot que cubran los distintos tipos de entrada que la tarea realmente verá, en lugar de varias variaciones del mismo caso. | Prompt Engineering Guide - Few-Shot Prompting |
| consistencia de formato | Usar exactamente la misma estructura y marcadores en cada ejemplo few-shot, para que el modelo aprenda una forma de salida inequívoca. | Prompt Engineering Guide - Few-Shot Prompting |
| casos límite | Las entradas ambiguas, incompletas o inusuales que una tarea encontrará en la realidad (campos faltantes, señales mixtas, valores extremos), en contraste con el caso ideal limpio. | Few-Shot Prompting Guide |
| JSON | Un formato de datos estructurado que se pide comúnmente como salida para tareas de extracción, porque un programa puede parsearlo directamente. | Prompt Engineering Guide - Few-Shot Prompting |
| cadena de pensamiento | Una técnica de prompting que hace que el modelo despliegue pasos de razonamiento intermedios antes de dar una respuesta final, lo cual eleva la precisión en tareas que necesitan razonamiento de varios pasos. | Prompt Engineering Guide - Chain-of-Thought |
| CoT | La abreviación estándar para prompting de cadena de pensamiento, usada de manera intercambiable con el término completo. | Prompt Engineering Guide - Chain-of-Thought |
| pasos de razonamiento | La ruta visible paso a paso que el modelo muestra desde el problema hasta la respuesta, para que cada eslabón de la lógica pueda revisarse en lugar de tomarse en fe. | Chain of Thought Prompting Guide |
| pensemos paso a paso | La frase señal estándar que se añade a un prompt para activar razonamiento paso a paso sin dar ningún ejemplo. | Prompt Engineering Guide - Chain-of-Thought |
| CoT zero-shot | Cadena de pensamiento activada solo por una frase señal, sin ejemplos: la forma más simple de hacer que el modelo descomponga un problema. | Prompt Engineering Guide - Chain-of-Thought |
| CoT few-shot | Cadena de pensamiento guiada por uno o dos ejemplos que muestran el proceso de razonamiento completo, para que el modelo imite tanto los pasos como su nivel de detalle. | Prompt Engineering Guide - Chain-of-Thought |
| pasos intermedios | Los cálculos o inferencias individuales entre la pregunta y la respuesta final. Hacerlos explícitos es para lo que sirve la cadena de pensamiento. | Prompt Engineering Guide - Chain-of-Thought |
| razonamiento de varios pasos | Tareas donde la respuesta depende de una cadena de inferencias o cálculos dependientes: problemas con enunciado, análisis de complejidad, análisis de causa raíz, decisiones de planeación. | Chain of Thought Prompting Guide |
| depuración de prompts | Corregir un prompt que falla de la forma en que depuras código: identificar el síntoma específico, diagnosticar qué parte lo causó, cambiar una cosa y verificar. | AI Prompt Debugging: Fixing Issues Through Iteration |
| ciclo de depuración | El ciclo repetitivo de correr, revisar la salida, identificar el problema, diagnosticar, cambiar una cosa, verificar contra casos de prueba y registrar la versión que funciona. | AI Prompt Debugging: Fixing Issues Through Iteration |
| identificar el problema | El primer paso de depuración: nombrar exactamente qué está mal con la salida (formato equivocado, contenido fuera de objetivo, información faltante, exceso de alcance, intención mal leída o inestabilidad). | AI Prompt Debugging: Fixing Issues Through Iteration |
| diagnosticar la causa | El segundo paso de depuración: averiguar qué parte del prompt (o qué parte faltante) produjo el problema que identificaste. | AI Prompt Debugging: Fixing Issues Through Iteration |
| una variable a la vez | La disciplina central de depuración: cambiar exactamente una cosa por iteración para que el efecto de ese cambio sea inequívoco. | AI Prompt Debugging: Fixing Issues Through Iteration |
| iteración | Una pasada por el ciclo de cambiar-probar-evaluar. Los prompts se vuelven buenos a través de una serie de pasadas pequeñas verificadas, no por un borrador perfecto. | AI Prompt Debugging: Fixing Issues Through Iteration |
| casos de prueba | Un conjunto de 3-5 entradas representativas (casos claros, casos mixtos y casos límite) que recorres después de cada cambio de prompt para revisar si de verdad mejoró. | AI Prompt Debugging: Fixing Issues Through Iteration |
| versiones de prompt | Prompts gestionados como se gestiona el código: cada versión registrada con qué cambió y qué produjo, para poder comparar y deshacer. | AI Prompt Debugging: Fixing Issues Through Iteration |
| prueba A/B | Conservar dos versiones de prompt, correr cada una unas 10 veces y comparar tasas de acierto para que los datos decidan cuál es mejor. | AI Prompt Debugging: Fixing Issues Through Iteration |
| tasa de acierto | La proporción de tus casos de prueba que producen salida que coincide con expectativas. Convierte 'este prompt se siente mejor' en un número que puedes comparar entre versiones. | AI Prompt Debugging: Fixing Issues Through Iteration |
| formato inestable | Un modo de fallo donde el mismo prompt produce una forma de salida distinta en cada corrida: JSON una vez, prosa la siguiente, capitalización flotando entre ellas. | AI Prompt Debugging: Fixing Issues Through Iteration |
| preámbulo | El relleno introductorio que un modelo agrega antes del contenido que pediste ('Aquí están los puntos clave:', 'Aquí está el correo:'), que tiene que despojarse cuando quieres salida limpia. | OpenAI Prompt Engineering Best Practices |
| suficientemente bueno | La regla de parada práctica para ajustar prompts: alrededor de 90% de acierto en tus casos de prueba, un formato estable y cada parte del prompt haciendo algo que puedes explicar. | AI Prompt Debugging: Fixing Issues Through Iteration |
| prompt de generación de código | Un prompt que pide a la IA que escriba código ejecutable. Uno bueno cubre seis cosas: lenguaje y versión, firma de función, lógica central, casos límite, estilo de código y límites de dependencias. | Prompt Engineering for Code Generation |
| firma de la función | El nombre de la función, sus tipos de parámetros de entrada y su tipo de retorno: el contrato de interfaz que un prompt de generación de código debería enunciar por adelantado. | Prompt Engineering for Code Generation |
| casos especiales | Las condiciones de entrada específicas que le dices al modelo cómo manejar: lista vacía, valor None, entrada duplicada, campo faltante. | Prompt Engineering for Code Generation |
| estilo de código | Las convenciones de formateo, nombramiento, comentado y tipado que el código generado debería seguir, enunciadas en el prompt en lugar de dejadas al modelo. | Prompt Engineering for Code Generation |
| límites de dependencias | La regla que enuncia qué bibliotecas puede usar el código generado: solo biblioteca estándar, o una lista permitida nombrada de paquetes de terceros. | Prompt Engineering for Code Generation |
| biblioteca estándar | Los módulos con los que un lenguaje se envía, sin requerir instalación. Restringir código generado a ella mantiene el resultado portable y libre de dependencias. | Prompt Engineering for Code Generation |
| anotaciones de tipo | Anotaciones de tipo explícitas en parámetros y valores de retorno que hacen el contrato de interfaz visible en el código mismo. | Prompt Engineering for Code Generation |
| manejo de errores | La lógica del código para entrada inválida, excepciones y condiciones límite: algo que especificar en el prompt, no atornillar después. | Prompt Engineering for Code Generation |
| programación defensiva | Escribir código bajo el supuesto de que la entrada puede ser inválida, decidiendo por adelantado cómo responder a datos malos en lugar de confiar en quien llama. | Prompt Engineering for Code Generation |
| docstring | El bloque de documentación dentro de una función que describe qué hace, cómo usarla y cualquier característica relevante: un requisito de estilo de código que vale la pena enunciar explícitamente. | Prompt Engineering for Code Generation |
| redacción de documentos | Trabajo de prompt dirigido a producir o reformar prosa (documentación técnica, notas de reunión, resúmenes, informes) donde audiencia, propósito, tono y estructura cargan la tarea. | Anthropic Prompt Engineering Overview |
| audiencia objetivo | El lector previsto de un documento, descrito por rol, conocimiento de contexto y objetivo de lectura, no solo por título de trabajo. | Anthropic Prompt Engineering Overview |
| plantilla de estructura | Una organización predefinida para la salida (contexto, opciones comparadas, recomendación, riesgos) dada para que el modelo rellene una forma fija en lugar de elegir una. | Anthropic Prompt Engineering Overview |
| tono | El registro de la escritura (formal o casual, detallado o conciso, práctico o promocional) especificado para que el documento suene como la situación lo pide. | Anthropic Prompt Engineering Overview |
| extracción de datos | Un prompt que jala información estructurada de texto no estructurado. Uno confiable deletrea cuatro cosas: definiciones de campo, manejo de valores faltantes, formato de salida y validación de datos. | Prompt Engineering Guide - Few-Shot Prompting |
| definiciones de campo | El significado enunciado, tipo y valores permitidos de cada campo que quieres extraer: por ejemplo sentimiento debe ser exactamente uno de positivo, negativo o neutral. | Prompt Engineering Guide - Few-Shot Prompting |
| manejo de valores faltantes | La regla explícita para qué devolver cuando un campo no está presente en la fuente: null, 'no proporcionado' o 'TBD', más una instrucción de no adivinar. | Prompt Engineering Guide - Few-Shot Prompting |
| validación de datos | Reglas que revisan que datos extraídos tienen la forma y rango esperados: un campo de salario debe contener un número, una ubicación puede ser un valor o null pero nunca una cadena vacía. | Prompt Engineering Guide - Few-Shot Prompting |
| alucinación | El hábito del modelo de fabricar hechos con confianza: inventar información que se lee como plausible pero no está en la fuente y no es verdadera. | IBM Prompt Engineering Guide 2026 |