Saltar a contenido

Capítulo 5

Patrones profesionales de Prompting

5.0 Objetivo del capítulo

Al finalizar este capítulo serás capaz de:

  • Comprender los principales patrones de Prompt Engineering utilizados actualmente. 15
  • Saber cuándo utilizar cada patrón según el tipo de problema. 47
  • Elegir la estrategia más adecuada para diseñar prompts robustos y reutilizables. 16
  • Incorporar estos patrones dentro de tu PromptBook Profesional como herramientas de diseño, no como recetas mágicas.

Nos centraremos en estrategias de diseño que siguen siendo relevantes con modelos modernos. Algunos patrones clásicos, como Chain-of-Thought, han evolucionado; explicaremos su contexto histórico, sus fundamentos y cómo se recomiendan usarlos hoy, evitando presentar prácticas obsoletas como reglas universales. 18

Nota
Piensa en los patrones como “formas de organizar la conversación” con la IA. Igual que en arquitectura de software, no existe un único patrón correcto; eliges el que mejor se adapta al problema.

5.1 ¿Qué es un patrón de prompting?

En ingeniería, un patrón es una solución recurrente a un tipo de problema dentro de un contexto concreto. En desarrollo de software hablamos de patrones de diseño; en pedagogía, de estrategias didácticas; en arquitectura de sistemas, de estilos estructurales. En Prompt Engineering sucede algo parecido: un patrón de prompting es una forma reconocible de estructurar instrucciones y ejemplos para abordar ciertos tipos de tareas con modelos de lenguaje. 14

Un patrón no es lo mismo que:

  • Una plantilla: la plantilla es un formato reutilizable (por ejemplo, OCRFE) que puedes rellenar con distintos contenidos; un patrón describe cómo usar ejemplos, roles, estructura o razonamiento para guiar al modelo. 16
  • Un prompt específico: el prompt es una instancia concreta que sigue o no un patrón; los patrones son meta-estructuras que puedes aplicar a muchos prompts diferentes. 17

Podemos visualizar la relación así:

graph TD
  PATRON[Patron de prompting] --> INST[Prompt concreto]
  PATRON --> PLANT[Plantilla OCRFE]
  PLANT --> INST
  INST --> RESP[Respuesta de la IA]

En el diagrama, el patrón define la estrategia general (por ejemplo, usar ejemplos o roles); la plantilla OCRFE define la anatomía del prompt (objetivo, contexto, rol, formato, evaluación); y el prompt concreto es la combinación de ambos aplicada a una tarea específica. 14

graph TD
    A["Patrones<br/>(Zero-shot, Few-shot...)"] --> B["Plantillas<br/>(OCRFE)"]
    B --> C[Prompts concretos]

Curiosidad
Las guías modernas, como las de Vertex AI y OpenAI, tratan los patrones como “estrategias de prompting” dentro de un flujo de trabajo iterativo de diseño, prueba y ajuste. 45

Conviene retenerlo: un patrón de prompting es una forma estructurada de usar el modelo, no un texto fijo. Aprender patrones te da un vocabulario de estrategias que puedes combinar con tu framework OCRFE para construir prompts cada vez más sofisticados. 16

5.2 Zero-shot Prompting

Definición

El Zero-shot prompting consiste en pedir directamente al modelo que realice una tarea sin proporcionarle ejemplos previos de cómo debería hacerlo. Le das la instrucción, el contexto y el formato deseado, pero no muestras casos resueltos. 15

Google y OpenAI señalan que los modelos modernos tienen capacidades significativas en modo zero-shot para tareas de generación de texto, clasificación sencilla, resúmenes y explicación, siempre que las instrucciones sean claras. 15

Cuándo utilizarlo

  • Tareas relativamente simples o bien conocidas para los modelos (explicaciones conceptuales, resúmenes, listas de ideas). 5
  • Situaciones donde no tienes ejemplos representativos o quieres explorar la capacidad general del modelo. 1
  • Interacciones rápidas, prototipos iniciales o exploración de ideas. 4

Ventajas

  • Sencillez: requiere menos preparación y diseño de ejemplos. 5
  • Rapidez: ideal para iteraciones iniciales y exploración de posibles enfoques. 4
  • Bajo costo de diseño: útil para prompts que no se reutilizarán mucho. 1

Limitaciones

  • Menos control sobre el comportamiento del modelo en tareas complejas. 7
  • Mayor variabilidad en resultados cuando la tarea requiere seguir criterios específicos o manejar matices. 1
  • Puede necesitar más iteraciones para alcanzar la calidad deseada. 4
| Aspecto        | Zero-shot prompting                               |
|----------------|----------------------------------------------------|
| Ejemplos        | No se proporcionan ejemplos previos               |
| Diseño          | Se basa solo en instrucciones y contexto          |
| Uso ideal       | Tareas generales, exploracion, prototipos         |
| Riesgos         | Resultados menos consistentes en tareas complejas |

Ejemplo: educación

Actua como docente de tecnologia.
Explica en 3 parrafos que es un PromptBook Profesional y por que es util para estudiantes de ingenieria de software.
Usa un lenguaje claro y motivador.

Aquí, el modelo recibe instrucciones y contexto pero ningún ejemplo de salida. Para un concepto relativamente sencillo, zero-shot suele ser suficiente si el prompt está bien diseñado. 15

graph LR
    A["Instrucción + contexto"] -->|Zero-shot| B[Respuesta]

Consejo
Empieza muchas tareas en modo zero-shot, pero ten presente que las dificultades que observes pueden indicar que necesitas pasar a patrones con ejemplos (One-shot o Few-shot). 17

Zero-shot es el patrón base: pedir directamente sin demostrar. Es potente para tareas generales, pero su eficacia disminuye cuando la tarea requiere que el modelo se ajuste a criterios muy específicos o estilos particulares. 15

5.3 One-shot Prompting

Definición

En One-shot prompting, acompañas la instrucción con un único ejemplo que muestra cómo debería verse una respuesta correcta o el formato deseado. Este ejemplo actúa como referencia para el modelo, permitiéndole inferir mejor el estilo, la estructura o el tipo de contenido. 17

OpenAI y Google muestran que un solo ejemplo puede mejorar notablemente el comportamiento del modelo en tareas como traducción, clasificación o generación con formatos específicos. 15

Por qué un ejemplo puede mejorar una respuesta

  • El ejemplo muestra explícitamente el tipo de salida que se espera, reduciendo incertidumbre. 7
  • Permite al modelo “aprender en contexto” el formato y el tono deseados, incluso sin alterar su entrenamiento subyacente. 75

Cuándo utilizar One-shot

  • Cuando quieres fijar el formato o estilo de salida sin construir aún un conjunto completo de ejemplos. 1
  • Cuando la tarea es moderadamente compleja, pero un ejemplo ilustrativo cubre la mayoría de las dudas del modelo. 7

Ejemplo: programación

Instruccion:
Actua como desarrollador senior de JavaScript.
Refactoriza funciones para mejorar legibilidad y añadir comentarios explicativos.

Ejemplo:

Entrada:
function sum(a, b) {
  return a + b;
}

Salida esperada:
```js
// Suma dos numeros y devuelve el resultado
function sum(a, b) {
  const result = a + b;
  return result;
}

Ahora aplica el mismo criterio a la siguiente funcion:

function processGrades(data) { // codigo de ejemplo } 

En este One-shot, el ejemplo enseña al modelo que debe añadir comentarios y mejorar la estructura sin cambiar la lógica. El modelo utilizará ese patrón para procesar la función `processGrades`. [^31][^122]

```markdown
| Elemento      | One-shot prompting                                |
|--------------|----------------------------------------------------|
| Ejemplos      | Un solo ejemplo representativo                    |
| Beneficio     | Fija formato y estilo con bajo esfuerzo           |
| Limitacion    | Puede no capturar toda la variedad de casos       |


graph LR
    A["Ejemplo resuelto<br/>(entrada → salida)"] --> B["Tarea a resolver<br/>(nueva entrada)"]
    B --> C[Respuesta generada por el modelo]

Buenas prácticas
Elige un ejemplo que sea realmente representativo del tipo de salida que quieres. Un ejemplo mal elegido puede enseñar al modelo patrones incorrectos. 7

En síntesis, One-shot prompting es útil cuando necesitas más control que en zero-shot pero aún no quieres o no puedes construir una batería de ejemplos. Un buen ejemplo puede marcar la diferencia en tareas de formato y estilo. 15

5.4 Few-shot Prompting

Definición

El Few-shot prompting consiste en proporcionar varios ejemplos (por ejemplo, 3–5) que muestran cómo debería comportarse el modelo en distintas variantes de la tarea. Esta técnica habilita lo que se conoce como “in-context learning”: el modelo utiliza las demostraciones como condicionamiento para la respuesta que generará. 7

Guías como PromptingGuide.ai y resúmenes de papers señalan que few-shot es especialmente útil cuando zero-shot y one-shot no son suficientes, y la tarea requiere seguir patrones complejos de clasificación, transformación o razonamiento estructurado. 7

Cuando realmente aporta valor

  • Tareas de clasificación donde quieres que el modelo respete categorías específicas y ejemplos de cada una. 7
  • Transformaciones de texto con reglas que no se pueden capturar fácilmente en una sola descripción (por ejemplo, reescritura según distintos tonos). 17
  • Casos donde la distribución de ejemplos importa (variedad de entradas y salidas para cubrir el espacio de soluciones). 7

Ejemplo: educación (clasificación de preguntas)

Instruccion:
Clasifica preguntas de estudiantes en una de estas categorias:
- "concepto" (piden una explicacion teorica),
- "procedimiento" (piden pasos o metodo),
- "aplicacion" (piden como aplicar algo en un contexto real).

Ejemplos (few-shot):

Pregunta: "Que es la ventana de contexto en un modelo de lenguaje?"
Categoria: concepto

Pregunta: "Como debo estructurar un prompt para obtener un resumen claro?"
Categoria: procedimiento

Pregunta: "Como puedo usar IA generativa para revisar tareas en mi curso?"
Categoria: aplicacion

Ahora clasifica la siguiente pregunta:

Pregunta: "De que manera influye el contexto al usar IA en evaluaciones automatizadas?"
Categoria:

Los ejemplos enseñan al modelo qué tipo de preguntas corresponden a cada categoría y cómo debe responder. 75

| Aspecto         | Few-shot prompting                               |
|-----------------|---------------------------------------------------|
| Ejemplos        | Multiples ejemplos representativos                |
| Beneficio       | Mejor control sobre comportamiento y categorias   |
| Complejidad     | Mayor esfuerzo de diseño y revision               |

| Entrada | Salida (ejemplo) |
|---|---|
| Entrada A | Salida A |
| Entrada B | Salida B |
| Entrada C | Salida C |
| Nueva entrada | ? (a completar por el modelo) |

Consejo
La cantidad de ejemplos importa menos que su diversidad y representatividad. Elegir 3–5 ejemplos que cubran distintos casos típicos suele ser más efectivo que usar muchos ejemplos casi idénticos. 7

En el fondo, Few-shot prompting desbloquea una forma poderosa de guiar al modelo mediante demostraciones. Es especialmente útil cuando necesitas consistencia en clasificación, transformación y estilo, pero requiere invertir más tiempo en diseño y evaluación de ejemplos. 75

5.5 Role Prompting

Definición

El Role prompting consiste en asignar al modelo un rol profesional o funcional específico (por ejemplo, docente, desarrollador senior, editor técnico) como parte de las instrucciones. OpenAI, Anthropic y Microsoft muestran que definir un rol puede ajustar el tono, el enfoque y la forma de estructurar las respuestas. 13

Cuándo asignar un rol mejora la respuesta

  • Cuando quieres que la respuesta adopte un punto de vista profesional concreto (por ejemplo, arquitecto de software evaluando un diseño). 3
  • Cuando la tarea exige considerar requisitos de una disciplina (por ejemplo, diseñador instruccional que estructura una actividad educativa). 1
  • Cuando necesitas un tono específico (por ejemplo, soporte técnico, mentor, revisor académico).

Cuándo resulta innecesario

  • Cuando la tarea es simple y el rol no añade información adicional (por ejemplo, traducir una frase corta). 1
  • Cuando el resto del prompt ya describe claramente el estilo, el formato y el enfoque; el rol sería redundante. 3

Ejemplo: investigación

Actua como investigador en educacion superior.
Resume los hallazgos principales de este paper sobre uso de IA en evaluacion automatizada, destacando:
- implicaciones metodologicas;
- riesgos eticos;
- recomendaciones para futuras investigaciones.
Usa un tono academico moderado.

| Elemento      | Role prompting                                     |
|--------------|-----------------------------------------------------|
| Rol          | Define perspectiva profesional                      |
| Beneficio    | Ajusta enfoque, tono y prioridades de la respuesta  |
| Riesgo       | Ser decorativo si no se relaciona con la tarea      |

Figura profesional junto a un bloque de texto representando el rol asignado al modelo

Error común
Usar roles grandilocuentes o poco realistas (“supergenio”, “experto absoluto en todo”) que no añaden información accionable y pueden generar expectativas poco útiles. 13

Dicho de otro modo, Role prompting es valioso cuando clarifica la perspectiva desde la cual el modelo debe responder. Usado con criterio, mejora el enfoque; usado sin criterio, se convierte en ruido decorativo. 13

5.6 Structured Prompting

Definición

El Structured prompting consiste en organizar el prompt en secciones claramente definidas (instrucciones, contexto, datos, formato, criterios de éxito), en lugar de escribirlo como un párrafo continuo. Google y Microsoft recomiendan estructurar los prompts para hacerlos más legibles y menos propensos a interpretaciones erróneas. 46

Este patrón se relaciona directamente con el framework OCRFE introducido en el Capítulo 3 (Objetivo, Contexto, Rol, Formato, Evaluación). 1 Structured prompting es, en esencia, OCRFE llevado a la práctica en la forma de escribir el prompt.

Ejemplo de Structured Prompting + OCRFE

Objetivo:
Diseñar una actividad de 45 minutos sobre Ingenieria de Prompts para estudiantes de licenciatura.

Contexto:
El grupo ya conoce conceptos basicos de IA generativa pero es la primera vez que trabaja con PromptBooks. La clase se imparte en laboratorio con acceso a modelos de lenguaje.

Rol:
Actua como diseñador instruccional especializado en educacion tecnologica.

Formato:
Presenta:
- un breve contexto inicial;
- una actividad principal en equipos;
- una puesta en comun final.
Usa listas con tiempos estimados.

Evaluacion:
La actividad debe permitir que los estudiantes:
- identifiquen al menos 3 principios de un prompt eficaz;
- creen 2 prompts mejorados respecto a versiones iniciales;
- documenten los resultados en su PromptBook.

Estructurar el prompt en secciones ayuda tanto al modelo como a ti:

  • Para el modelo, es más fácil parsear instrucciones separadas y seguir cada bloque. 14
  • Para ti, es más sencillo revisar cada sección según la checklist de calidad que construiste en el capítulo anterior. 2
| Ventaja de Structured Prompting    | Impacto                                   |
|-----------------------------------|--------------------------------------------|
| Mayor legibilidad                 | Facilita revision humana                  |
| Menos ambiguedad                  | Instrucciones separadas por secciones     |
| Mejor alineacion con OCRFE        | Integra principios y anatomia del prompt  |

| Versión | Descripción |
|---|---|
| Prompt estructurado | Objetivo, Contexto, Rol, Formato y Evaluación separados |
| Texto continuo | Todas las ideas mezcladas sin estructura |

Buenas prácticas
Adopta Structured prompting como estándar para cualquier tarea importante. Aunque requiera un poco más de tiempo, simplifica la mejora y la reutilización de tus prompts. 16

En definitiva, Structured prompting es el patrón que convierte tus principios y framework en texto concreto bien organizado. Es una de las estrategias más recomendadas por proveedores y guías actuales. 14

5.7 Chain of Thought

Origen y concepto

El patrón Chain-of-Thought (CoT) prompting se popularizó en trabajos de investigación que mostraban cómo pedir explícitamente “razonamiento paso a paso” podía mejorar el desempeño de modelos en tareas de aritmética, razonamiento lógico y problemas complejos. 7

En CoT, se instruye al modelo a mostrar el proceso completo de resolución (la cadena de razonamiento) antes de dar la respuesta final. Por ejemplo: “piensa paso a paso y muestra tus cálculos antes de dar el resultado”.

Evolución de los modelos

Con modelos más recientes, varios estudios han revisado el impacto del CoT explícito, señalando que:

  • Muchos modelos ya realizan razonamiento interno sin necesidad de mostrar todos los pasos. 8
  • Pedir siempre el razonamiento completo puede aumentar la longitud de la respuesta y, en algunos casos, introducir ruido o alucinaciones en los pasos intermedios. 8

Anthropic y otras guías modernas suelen hablar de “razonamiento adaptativo” o configuraciones de esfuerzo, donde el modelo decide cuánto detalle intermedio mostrar según la tarea y la configuración.

Utilidad histórica y recomendaciones actuales

  • CoT sigue siendo útil para depurar cómo el modelo está abordando un problema y para tareas educativas donde quieres mostrar procesos.
  • No es recomendable usar CoT de manera indiscriminada en producción, especialmente si los pasos intermedios no serán verificados y pueden contener errores. 8
  • En muchos casos, se prefiere pedir respuestas estructuradas y breves, reservando CoT explícito para debugging, enseñanza o tareas muy complejas donde ver el proceso aporta valor. 18
| Aspecto              | Chain-of-Thought (CoT)                          |
|----------------------|-------------------------------------------------|
| Beneficio historico  | Mejora en razonamiento aritmetico y logico      |
| Riesgos actuales     | Respuestas largas, posibles errores intermedios |
| Uso recomendado      | Debugging, enseñanza, tareas complejas puntuales|

Ejemplo educativo:

Resuelve el siguiente problema paso a paso, mostrando tu razonamiento antes de dar la respuesta final:

"Un curso tiene 4 actividades evaluables. Cada una vale 25 puntos y la calificacion final es la suma de las cuatro. Si un estudiante obtiene 18, 22, 25 y 20 puntos, ¿cual es su calificacion final y que porcentaje del total representa?"

graph LR
    A[Pregunta] --> B["Pasos intermedios<br/>(revisar críticamente)"] --> C[Respuesta final]

Nota
Es importante ver CoT como un patrón histórico y conceptual, no como una regla absoluta. Los modelos actuales han evolucionado; pedir “piensa paso a paso” siempre no garantiza mejores resultados y puede no ser necesario. 8

Lo importante es que Chain-of-Thought es una pieza clave en la historia de la Ingeniería de Prompts, pero su uso debe ser cuidadoso y contextualizado en modelos modernos. Es más una herramienta en tu caja de recursos que un estándar obligatorio. 78

5.8 Comparando patrones

Para elegir el patrón adecuado, conviene tener una visión conjunta de sus características, ventajas, limitaciones y casos recomendados. 47

| Patron              | Descripcion breve                           | Ventajas                             | Limitaciones                          | Casos recomendados                     |
|---------------------|---------------------------------------------|--------------------------------------|----------------------------------------|----------------------------------------|
| Zero-shot           | Solo instrucciones y contexto               | Rapido, sencillo                     | Menos control en tareas complejas      | Exploracion, tareas generales          |
| One-shot            | Un ejemplo representativo                   | Fija formato/estilo                  | Ejemplo unico puede ser insuficiente   | Formatos especificos, estilos          |
| Few-shot            | Varios ejemplos (3–5)                       | Mejor control, in-context learning   | Mas esfuerzo de diseño                 | Clasificacion, transformaciones complejas |
| Role prompting      | Asignar rol profesional al modelo           | Ajusta enfoque y tono                | Puede ser decorativo si se abusa       | Educacion, asistencia tecnica, revision |
| Structured prompting| Prompt organizado en secciones (OCRFE)      | Legible, menos ambiguedad            | Requiere tiempo inicial de estructuracion| Tareas importantes, prompts reutilizables |
| Chain-of-Thought    | Razonamiento paso a paso explicito          | Util para depuracion y enseñanza     | Respuestas largas, posibles errores    | Problemas complejos, aprendizaje guiado |

Metodología para elegir un patrón

Puedes utilizar un árbol de decisión conceptual como este:

graph TD
  A[Problema a resolver] --> B{Es simple y bien conocido por el modelo?}
  B -->|Si| ZS[Zero-shot]
  B -->|No| C{Necesito un formato/estilo especifico?}
  C -->|Si, con un ejemplo| OS[One-shot]
  C -->|Si, con varios ejemplos| FS[Few-shot]
  C -->|No| R{Importa la perspectiva profesional?}
  R -->|Si| RP[Role prompting]
  R -->|No| ST{Es una tarea importante y reutilizable?}
  ST -->|Si| SP[Structured prompting + OCRFE]
  ST -->|No| ZS
  FS --> PC{El razonamiento es muy complejo?}
  PC -->|Si| CoT[Chain-of-Thought (uso puntual)]

En este diagrama, no se busca una regla rígida, sino una guía para reflexionar sobre qué patrón tiene más sentido según el tipo de problema, la importancia de la tarea y el nivel de control que necesitas. 46

| Patrón | Cuándo usarlo |
|---|---|
| Zero-shot | Tareas simples y directas |
| Few-shot | Tareas con formato específico a replicar |
| Chain-of-thought | Razonamiento detallado paso a paso |

Buenas prácticas
Empieza con patrones sencillos (Zero-shot, Structured) y añade ejemplos (One-shot, Few-shot) solo cuando observes que el modelo necesita más guía. Reserva CoT para casos donde ver el razonamiento aporte valor real. 17

Vale la pena subrayarlo: comparar patrones de manera explícita te ayuda a evitar el uso indiscriminado de técnicas y a elegir la estrategia adecuada para cada contexto. Esto es esencial para una práctica profesional y sostenible de Ingeniería de Prompts. 47

Aplicación al PromptBook

En este capítulo, tu PromptBook Profesional ganará una nueva sección dedicada a patrones. 2

Estructura de la carpeta Patrones/

Dentro de PromptBook/, crea la carpeta Patrones/:

PromptBook/
  Patrones/
    Zero-Shot.md
    One-Shot.md
    Few-Shot.md
    Role-Prompting.md
    Structured-Prompting.md
    Chain-of-Thought.md
    Comparativa.md
    Casos-de-Uso.md
  • Zero-Shot.md: definición, ventajas, limitaciones y ejemplos de uso. 15
  • One-Shot.md: casos donde un solo ejemplo mejora la respuesta, con ejemplos reales de tu práctica. 1
  • Few-Shot.md: ejemplos y mini-conjuntos de demostraciones para tareas recurrentes (clasificación, transformación). 7
  • Role-Prompting.md: roles que realmente utilizas (docente, desarrollador, editor) y cuándo te aportan valor. 13
  • Structured-Prompting.md: ejemplos de prompts estructurados con OCRFE y notas de buenas prácticas. 14
  • Chain-of-Thought.md: explicación del patrón, advertencias modernas y casos puntuales donde lo usarás (por ejemplo, en enseñanza). 8
  • Comparativa.md: la tabla comparativa de patrones y cualquier ampliación que hagas con tu experiencia. 7
  • Casos-de-Uso.md: recopilación de escenarios aplicados (educación, programación, investigación, escritura, marketing, productividad) donde hayas probado varios patrones y registrado los resultados. 15
graph TD
  PB[PromptBook] --> PT[Patrones]
  PT --> ZSMD[Zero-Shot.md]
  PT --> OSMD[One-Shot.md]
  PT --> FSMD[Few-Shot.md]
  PT --> RPMD[Role-Prompting.md]
  PT --> SPMD[Structured-Prompting.md]
  PT --> CTMD[Chain-of-Thought.md]
  PT --> CMP[Comparativa.md]
  PT --> CU[Casos-de-Uso.md]

Este diagrama muestra cómo la carpeta Patrones/ organiza tu conocimiento sobre estrategias de prompting, complementando los principios y frameworks que ya has documentado. 2

graph TD
    A[Principios] --- P[Patrones]
    F[Frameworks] --- P
    P --> M["PromptBook:<br/>teoría + estructura + estrategia"]

Nota
Memorizar los patrones importa menos que integrarlos en tu forma de pensar. Con el tiempo, elegirás un patrón casi automáticamente al ver el tipo de problema que quieres resolver.

Práctica guiada

Para consolidar lo aprendido, te proponemos una serie de actividades que aplican distintos patrones al mismo problema y documentan los resultados en tu PromptBook. 15

1. Elegir un problema común

  1. Elige una tarea representativa de tu trabajo, por ejemplo: “Diseñar una actividad de clase sobre uso ético de IA” o “Generar un informe técnico sobre desempeño de un sistema”.
  2. Describe brevemente el problema en Casos-de-Uso.md.

2. Resolver con distintos patrones

  1. Diseña un prompt Zero-shot para esa tarea y ejecuta el modelo.
  2. Diseña un prompt One-shot, añadiendo un ejemplo representativo, y ejecuta.
  3. Diseña un prompt Few-shot, con varios ejemplos, y ejecuta.
  4. Diseña un prompt con Role prompting (añadiendo un rol profesional claro) y ejecuta.
  5. Diseña un prompt con Structured prompting (OCRFE, secciones) y ejecuta.
  6. Opcionalmente, diseña un prompt que use Chain-of-Thought para mostrar pasos intermedios si la tarea lo amerita (por ejemplo, un análisis complejo).

3. Comparar resultados

  1. Para cada patrón, registra en Casos-de-Uso.md:
  2. aspectos positivos de la respuesta;
  3. debilidades o problemas;
  4. esfuerzo requerido de diseño.
  5. Resume tus observaciones en Comparativa.md, ampliando la tabla según tu experiencia real. 7

4. Crear ejemplos reutilizables

  1. De los prompts que mejor funcionaron, guarda versiones generales en los archivos correspondientes (Zero-Shot.md, Few-Shot.md, etc.), evitando datos sensibles y enfocados en estructura. 12
  2. Añade comentarios sobre cuándo recomendarías usar ese patrón en proyectos futuros.

Consejo
Trata estos ejercicios como un mini laboratorio de Prompt Engineering. Lo más valioso está menos en la respuesta específica que en las conclusiones que saques sobre qué patrón funciona mejor para cada tipo de tarea en tu contexto profesional.

5.9 Resumen

Sumaste a tu práctica de Ingeniería de Prompts un conjunto de patrones profesionales que te permiten abordar problemas con estrategias diferenciadas: Zero-shot para tareas generales y exploración, One-shot para fijar formato y estilo, Few-shot para in-context learning, Role prompting para ajustar perspectiva, Structured prompting para organizar instrucciones, y Chain-of-Thought como herramienta puntual para razonamiento detallado y enseñanza. 157

Vimos que estos patrones no son recetas mágicas, sino formas de estructurar la conversación con la IA que deben elegirse según el tipo de tarea, el nivel de control que necesitas y el esfuerzo que estás dispuesto a invertir en diseño y evaluación. 46 También analizamos la evolución de técnicas como Chain-of-Thought en modelos modernos, subrayando que su uso debe ser crítico y contextualizado a la luz de la investigación reciente. 8

Finalmente, integraste estos patrones en tu PromptBook mediante la carpeta Patrones/, con archivos dedicados a cada estrategia, una tabla comparativa y una colección de casos de uso reales. 2 A partir de ahora, tu trabajo con IA no se limitará a escribir prompts “de una sola manera”; tendrás un repertorio de patrones que podrás combinar con los principios y frameworks que ya manejas para construir sistemas conversacionales cada vez más robustos y profesionales.

Nota
En los próximos capítulos, aplicarás estos patrones de forma específica a dominios como escritura, investigación, programación y generación multimedia, reforzando tu capacidad para diseñar conversaciones inteligentes adaptadas a cada contexto.

Como cierre, conocer y saber aplicar patrones de prompting te permite pasar de “usar la IA” a “diseñar estrategias de interacción”. Es un paso fundamental para consolidar tu PromptBook Profesional como sistema de trabajo avanzado con modelos de lenguaje. 15

Bibliografía

  1. OpenAI. “Prompt engineering – strategies and tactics for better results using large language models.” Documentación oficial del OpenAI API. https://developers.openai.com/api/docs/guides/prompt-engineering ↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩

  2. Dair.ai. “Prompt Engineering Guide.” Repositorio educativo con recursos sobre prompts y sistemas de IA generativa. https://github.com/dair-ai/Prompt-Engineering-Guide ↩↩↩↩↩

  3. Microsoft. “Prompt engineering techniques – Azure OpenAI.” Guía sobre roles, formato y evaluación en prompts empresariales. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering ↩↩↩↩↩↩

  4. Google Cloud. “Overview of prompting strategies – Generative AI on Vertex AI.” Descripción del workflow iterativo de prompting y mejores prácticas. https://cloud.google.com/vertex-ai/generative-ai/docs/learn/prompts/prompt-design-strategies ↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩

  5. Google AI. “Introduction to prompt design – Gemini API.” Guía de estrategias de prompting (zero-shot, few-shot, etc.) para modelos Gemini. https://ai.google.dev/gemini-api/docs/prompting-strategies ↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩

  6. Microsoft Learn. “Prompt Engineering concepts – .NET.” Guía conceptual sobre patrones de prompting y estructuración de instrucciones. https://learn.microsoft.com/en-us/dotnet/ai/conceptual/prompt-engineering-dotnet ↩↩↩↩↩↩↩

  7. PromptingGuide.ai. “Few-shot prompting.” Guía técnica sobre in-context learning mediante múltiples ejemplos. https://www.promptingguide.ai/techniques/fewshot ↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩↩

  8. arXiv. “Revisiting Chain-of-Thought Prompting: Zero-shot Can Be Enough.” Paper de investigación sobre el impacto de CoT en modelos recientes. https://arxiv.org/html/2506.14641 ↩↩↩↩↩↩↩↩↩