Este glosario cubre los 500 términos más importantes del prompt engineering, desde los conceptos fundamentales hasta la orquestación de agentes y los frameworks de evaluación. Cada entrada incluye una definición práctica y concisa escrita para desarrolladores y profesionales de IA, junto con un enlace de referencia principal para una lectura más profunda.
Los términos están organizados en seis grupos: Conceptos básicos de prompting, Agentes y orquestación, Seguridad y alineación, Evaluación y pruebas, Técnicas avanzadas, y Métricas y producción. Usa las tablas con búsqueda como referencia rápida o sigue los enlaces para detalles de implementación.
Conceptos básicos de prompting
Agentes y orquestación
Seguridad y alineación
Evaluación y pruebas
Técnicas avanzadas
Métricas y producción
Preguntas frecuentes
¿Qué es el prompt engineering en términos simples?
El prompt engineering es la disciplina de diseñar e iterar prompts para que los modelos de lenguaje produzcan outputs útiles, predecibles y seguros. Implica estructurar instrucciones, añadir contexto y elegir técnicas como few-shot o chain-of-thought para mejorar la fiabilidad y la calidad.
¿Cuál es la diferencia entre zero-shot y few-shot prompting?
El zero-shot prompting pide al modelo que realice una tarea usando solo instrucciones, sin ningún ejemplo — ideal para tareas comunes donde el entrenamiento previo del modelo ya cubre el patrón. El few-shot prompting incluye un pequeño número de ejemplos input-output en el prompt para que el modelo pueda inferir el patrón, formato o estilo deseado antes de manejar la consulta real. El few-shot típicamente produce mayor calidad en tareas complejas o poco comunes.
¿Qué significa RAG en IA?
RAG significa Retrieval-Augmented Generation (Generación Aumentada por Recuperación). Es una arquitectura donde se recuperan documentos relevantes de una base de conocimiento y se inyectan en el prompt para que el modelo responda basándose en datos actuales y fundamentados en lugar de depender solo de los datos de entrenamiento. Esto reduce las alucinaciones y garantiza que las respuestas se basen en información real y actualizada.
¿Cuál es la diferencia entre prompt engineering y fine-tuning?
El prompt engineering es la disciplina de diseñar e iterar prompts para orientar los outputs del modelo sin cambiar el modelo en sí. El fine-tuning, por el contrario, modifica los pesos del modelo entrenándolo con datos específicos de la tarea. El prompt engineering es más rápido, más barato y más fácil de iterar, mientras que el fine-tuning puede lograr mejores resultados en tareas especializadas pero requiere más datos y recursos computacionales.
¿Qué es un context window en IA?
Un context window es el número máximo de tokens que el modelo puede considerar a la vez, incluyendo el system prompt, el historial de conversación y los documentos recuperados. Cuando se superan los límites del contexto, las partes más antiguas o del medio del contexto se truncan o ignoran. Entender el tamaño del context window es crucial para gestionar los costes y las latencias, ya que los contextos más largos son más costosos y lentos de procesar.