Prompt Engineering Profesional

Descripción

Cómo razona un LLM
Entender el mecanismo interno del modelo para dejar de adivinar y empezar a diseñar con criterio.

• Tokens, embeddings y ventana de contexto: qué son y por qué importan
• Temperatura, top-p y top-k: cuándo ajustarlos y cuándo dejarlos por defecto
• Anatomía de un prompt: rol, instrucción, contexto, ejemplos, salida
• Zero-shot vs. few-shot: diferencias prácticas y cuándo usar cada uno
• Los 5 errores más comunes al empezar con prompting

Técnicas avanzadas de razonamiento
Guiar el razonamiento del modelo paso a paso para mejorar drásticamente tareas complejas.

• Chain of Thought: forzar razonamiento explícito antes de la respuesta
• Step-by-step prompting y cuándo basta con «piensa paso a paso»
• Self-consistency: generar varios caminos y votar la mejor respuesta
• Tree of Thought y ReAct: la base de los agentes modernos
• Cuándo NO usar estas técnicas: coste vs. beneficio en tokens

System prompts y control del comportamiento
Diseñar el contrato entre tu aplicación y el modelo de forma estable, defensiva y testeable.

• Estructura de un system prompt profesional: secciones recomendadas
• Rol, persona y restricciones de comportamiento
• Instrucciones negativas: qué NO debe hacer el modelo
• Guardrails y defensa frente a prompt injection
• Testear un system prompt: casos límite y adversariales

Structured outputs y function calling
Obtener respuestas estructuradas y fiables para integrarlas en el código sin parseo frágil.

• Forzar JSON y XML con instrucciones de formato en el prompt
• JSON mode y Structured Outputs de la API de OpenAI
• Spring AI: @JsonSchemaProperty y mapeo automático a POJOs
• Function calling / tool use: definición y flujo de invocación
• Validación con Jackson + Bean Validation y estrategias de retry

Prompt chaining y pipelines con LLMs
Encadenar varias llamadas que colaboran para resolver lo que un solo prompt no puede.

• Prompt chaining: cuándo y cómo encadenar llamadas al LLM
• Plantillas dinámicas: inyección de variables, historial y contexto
• Memoria conversacional: short-term vs. long-term en base de datos
• Patrones de pipeline e introducción a RAG desde el prompt
• Gestión del contexto en Spring AI: ChatMemory y MessageHistory

Evaluación, optimización y costes
Medir la calidad de tus prompts de forma objetiva y controlar el coste en producción.

• Prompt versioning: gestión de cambios y control de regresiones
• Evaluación con LLM-as-judge: el modelo evalúa sus respuestas
• Métricas: exactitud, coherencia, adherencia al formato, rechazo
• A/B testing de prompts y reducción de costes (caching, batching)
• Herramientas: LangSmith, Langfuse y PromptLayer comparadas