Prompt engineering: diseñar la pregunta, no solo la respuesta
Un mismo modelo puede dar respuestas muy distintas según cómo se le pida la tarea. El prompt engineering es la práctica de diseñar deliberadamente ese texto de entrada para obtener mejores resultados. Algunas técnicas habituales:
Instrucción de sistema: un mensaje inicial que fija el rol y las reglas del modelo ("Eres un asistente que responde solo con JSON válido").
Zero-shot: pedir la tarea directamente, sin ejemplos, confiando en lo que el modelo ya aprendió durante el entrenamiento.
Few-shot: incluir en el propio prompt un puñado de ejemplos de entrada/salida antes de la pregunta real, para que el modelo infiera el patrón esperado a partir de esos ejemplos (es la técnica que se implementa en el playground de esta lección).
Chain-of-thought (cadena de pensamiento): pedir explícitamente al modelo que razone paso a paso antes de dar la respuesta final, lo que suele mejorar la precisión en tareas que requieren varios pasos de razonamiento (matemáticas, lógica).
Agentes: un LLM con herramientas y un bucle de decisión
Un LLM por sí solo solo genera texto: no puede consultar la web, ejecutar código o mirar una base de datos. Un agente añade a un LLM un conjunto de herramientas (funciones que sí pueden hacer esas cosas) y un bucle de decisión que alterna entre pensar, actuar y observar el resultado — patrón que suele llamarse ReAct (reasoning + acting):
Pensar: el modelo razona sobre qué necesita hacer a continuación para responder la pregunta.
Actuar: si necesita información que no tiene, elige una herramienta (buscar, consultar una API, ejecutar código) y la invoca con los argumentos adecuados.
Observar: el resultado de la herramienta se añade al contexto del modelo.
Este ciclo se repite hasta que el modelo decide que ya tiene suficiente información para dar la respuesta final. La capacidad de invocar herramientas de forma estructurada suele llamarse function calling o tool use, y es la pieza que convierte un LLM (que solo predice texto) en un agente capaz de actuar sobre el mundo.
El siguiente playground construye, en Python puro, un prompt de few-shot prompting y simula el bucle pensar/actuar/observar de un agente muy simple (sin llamar a ningún modelo real, para ilustrar la estructura):
Playground · python
Proyecto final del curso
Con todo lo visto en el curso —desde el descenso de gradiente hasta los LLMs y los agentes— llega la tarea final: diseñar tu propio prompt o agente para un caso de uso real. Encontrarás el enunciado completo y la rúbrica de evaluación en la tarea asociada a esta lección.