Definición:
Un prompt es una entrada que comunica a un sistema una instrucción, pregunta, contexto o conjunto de datos para que produzca una respuesta o ejecute una acción. En la IA generativa puede combinar texto, imágenes, audio, código u otros contenidos admitidos por el modelo.
El prompt orienta el comportamiento durante una interacción, pero no modifica por sí mismo los parámetros con los que fue entrenado el modelo. Su resultado depende de la capacidad del sistema, de las instrucciones de nivel superior, del contexto disponible y de cómo se formule la tarea.
Prompt en informática e IA
En informática, el término prompt también designa el indicador de una terminal que muestra que el sistema está preparado para recibir un comando. Puede incluir el usuario, el directorio actual o un símbolo como `$` o `>`. Ese prompt de consola es una interfaz de entrada, no una instrucción completa.
En IA generativa, el significado habitual es el contenido enviado al modelo. Puede pedir una explicación, una clasificación, una traducción, la generación de código o el análisis de un documento. También puede incorporar materiales de referencia que la respuesta debe utilizar.
Un prompt no sirve para entrenar el modelo base en cada consulta. El entrenamiento y el fine-tuning alteran parámetros mediante conjuntos de datos y procesos separados; el prompting condiciona la salida durante la inferencia.
Cómo interpreta un modelo
El modelo procesa el prompt junto con las instrucciones del sistema, el historial de la conversación, los resultados de herramientas y otros contenidos disponibles. El sistema representa este contenido mediante tokens de IA. Todo el material ocupa parte de la ventana de contexto, cuyo límite determina cuánto puede considerar en una interacción.
Los modelos generan la respuesta a partir de patrones aprendidos y del contexto recibido. Una instrucción clara puede reducir ambigüedades, pero no convierte la salida en determinista ni garantiza que los hechos sean correctos. Distintos modelos o configuraciones pueden interpretar de manera diferente el mismo texto.
En aplicaciones como ChatGPT, varias capas de instrucciones pueden influir en el resultado. Las reglas de la aplicación y del sistema tienen prioridad sobre una petición del usuario cuando existe un conflicto. Los datos externos deben diferenciarse de las instrucciones para evitar que un documento o una página alteren indebidamente la tarea.
Componentes de un prompt
Un prompt eficaz contiene solo la información necesaria para definir la tarea y evaluar la respuesta. Según el caso, puede combinar estos componentes:
- Objetivo: La acción concreta que debe realizar el sistema.
- Contexto: Los antecedentes, datos o documentos relevantes.
- Restricciones: Los límites de alcance, tono, longitud o fuentes permitidas.
- Formato: La estructura esperada, como una lista, tabla, objeto JSON o bloque de código.
- Ejemplos: Entradas y salidas que muestran el criterio deseado.
La información específica suele ser más útil que fórmulas genéricas. Indicar el público, el propósito y los datos disponibles ayuda a delimitar la respuesta y a comprobar si el resultado es usable. Añadir una personalidad ficticia o una petición de actuar como experto no sustituye los conocimientos, fuentes o criterios que falten; las restricciones explícitas facilitan revisar la salida, aunque no garanticen exactitud.
Técnicas de prompting
Las técnicas de prompting organizan las instrucciones y el contexto para hacer la tarea más comprensible. No todas son necesarias en cada consulta y su eficacia cambia según el modelo y el objetivo.
- Zero-shot: La tarea se describe sin aportar ejemplos de respuesta.
- Few-shot: Se incluyen uno o varios ejemplos representativos.
- Contextualización: Se facilitan documentos o datos sobre los que debe basarse la salida.
- Descomposición: Una tarea compleja se divide en pasos o solicitudes encadenadas.
- Salida estructurada: Se define un esquema que facilite validar o reutilizar el resultado.
El prompt engineering consiste en diseñar, probar y mantener estas instrucciones para una tarea concreta. Incluye comparar variantes, conservar casos de prueba y revisar el comportamiento cuando cambia el modelo, el contexto o la aplicación.
Evaluación y límites
La calidad del prompt no se mide por su longitud, sino por la capacidad de producir resultados adecuados en casos representativos. Una evaluación puede comprobar exactitud, cobertura, formato, consistencia, seguridad, coste y latencia, según la finalidad del sistema.
Los prompts no eliminan las limitaciones del modelo. Una respuesta puede contener errores, inventar datos, ignorar parte del contexto o reproducir sesgos. Las tareas que afectan a decisiones importantes necesitan fuentes verificables, controles adicionales y revisión humana cuando corresponda.
También existe el riesgo de inyección de prompts, en el que contenido no confiable intenta introducir instrucciones contrarias al objetivo de la aplicación. La protección requiere separar datos e instrucciones, limitar permisos y validar las acciones, no confiar únicamente en una frase añadida al prompt.
Un buen proceso empieza con una instrucción sencilla y un resultado esperado, incorpora contexto o ejemplos cuando aportan valor y vuelve a probar la versión exacta. Esta evaluación iterativa permite distinguir una mejora reproducible de una respuesta favorable obtenida por casualidad.