Formación · Prompt Engineering
Prompt Engineering Profesional
Para devs que ya integran un LLM en su código pero se enfrentan a respuestas inconsistentes, formatos que no se respetan y modelos que no se comportan en producción. Aprende a diseñar, controlar y evaluar prompts con criterio de ingeniería.
- Nivel intermedio — requiere experiencia llamando a APIs de LLMs
- Stack de referencia: Spring AI (Java) · OpenAI API · modelos locales con Ollama
- 6 sesiones en vivo, 100% orientadas a entornos de producción
9h
De formación
6
Sesiones en vivo
6
Ejercicios prácticos
1
Proyecto integrador
El curso
Cuando integrar el LLM ya no es el problema — controlarlo, sí
Para desarrolladores y tech leads que ya saben integrar un LLM en su código pero se enfrentan a respuestas inconsistentes, formatos que no se respetan, o no saben cómo hacer que el modelo se comporte de forma fiable en producción. Al terminar, diseñarás prompts precisos y testeables, controlarás el comportamiento del modelo y medirás su calidad con métricas reales antes de desplegarlo.
Posición en la ruta formativa
El segundo paso de la ruta de IA aplicada
Este curso continúa donde termina IA para Desarrolladores y prepara el terreno para construir aplicaciones que conectan tus propios datos al modelo.
Paso 1
IA para Desarrolladores
Integrar un LLM en tu código.
Estás aquí · Paso 2
Prompt Engineering Profesional
Controlar lo que el LLM responde.
Paso 3
Aplicaciones RAG
Conectar tus datos al LLM.
Programa
6 módulos, del mecanismo del modelo a la optimización en producción
Una sesión de 90 minutos por módulo. Cada una combina teoría con demo en vivo y un ejercicio práctico guiado sobre un caso real. Avanzamos de entender cómo razona el modelo a evaluar y optimizar prompts ya desplegados.
MÓDULO 01 · 90 MIN
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
Ejercicio
Escribir tres versiones de un prompt (zero, one y few-shot) para extraer datos de un texto y medir la variabilidad cambiando la temperatura de 0 a 1.
MÓDULO 02 · 90 MIN
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
Ejercicio
Resolver una clasificación de incidencias con tres enfoques —prompt directo, CoT y self-consistency— comparando precisión y coste en tokens.
MÓDULO 03 · 90 MIN
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
Ejercicio
Construir el system prompt de un asistente de soporte que solo responda sobre un producto, no revele información interna y use el idioma del usuario. Probarlo con 10 casos adversariales.
MÓDULO 04 · 90 MIN
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
Ejercicio
Construir un endpoint en Spring Boot que reciba el texto libre de una factura y devuelva un InvoiceDTO validado, con manejo de errores de formato.
MÓDULO 05 · 90 MIN
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
Ejercicio
Construir un pipeline de 3 pasos en Spring AI: extraer entidades, enriquecer cada una con información adicional y generar un resumen estructurado, todo encadenado sin intervención manual.
MÓDULO 06 · 90 MIN
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
Ejercicio
Partir de un prompt con 20% de error: medir con LLM-as-judge, localizar el fallo, proponer dos versiones mejoradas, comparar resultados y documentar la decisión.
| 📅 | Próxima edición | 20.07.2026 |
| 🕕 | Horario | 18:00 – 21:00 h, lunes, miércoles y viernes |
| 👥 | Plazas | Máximo 12 personas |
| 🎓 | Bonificable FUNDAE | Coste real para tu empresa: 0 € |
| ⏱️ | Duración | 3 días · 9 horas en vivo |
Formato y estructura
En vivo, con el mismo ritmo en cada sesión
Sesiones en directo de 90 minutos, con fechas publicadas en el aula virtual. Cada clase mezcla teoría, demo en vivo y un ejercicio práctico que trabajas en tu propia máquina — para que salgas habiendo construido, no solo escuchado.
En vivo
Sesiones por videollamada con fechas publicadas en el aula virtual.
Nivel intermedio
Requiere el curso IA para Desarrolladores o experiencia equivalente con APIs de LLMs.
Stack Spring AI
Ejercicios en Java/Spring AI sobre OpenAI o modelos locales con Ollama.
Cómo se estructura cada sesión de 90 min
40 min
Teoría y demo en vivo del módulo
35 min
Ejercicio práctico guiado sobre un caso real
15 min
Puesta en común, dudas y revisión de resultados
Lo que conseguirás
Al terminar el curso serás capaz de…
Diseñar prompts precisos y testeables
Para cualquier caso de uso profesional, con criterio de ingeniería en vez de ensayo y error.
Construir system prompts robustos
Que controlen el comportamiento del modelo y resistan intentos de manipulación.
Forzar outputs estructurados fiables
JSON y XML correctos desde el primer intento, listos para integrar en tu código.
Encadenar prompts y pipelines
Flujos de procesamiento con LLMs para tareas que un solo prompt no resuelve.
Evaluar y optimizar con métricas reales
Medir la calidad de tus prompts antes de desplegarlos y mejorarlos de forma sistemática.
Reducir costes de tokens
Bajar el consumo sin sacrificar calidad de respuesta: caching, batching y compresión.
Proyecto final integrador
Un pipeline completo en Spring AI, de principio a fin
Se entrega una semana después de la última sesión. Reúne todo lo aprendido en un asistente de dominio específico —el alumno elige el dominio— construido con criterio de producción.
Qué construyes
- Un system prompt bien diseñado para un asistente de dominio específico.
- Structured output con schema validado para la respuesta principal.
- Al menos una técnica de razonamiento avanzado (CoT, self-consistency o ReAct).
- Evaluación automática con LLM-as-judge sobre 20 casos de prueba.
- Informe de resultados: métricas, decisiones y coste estimado por 1.000 llamadas.
Criterios de evaluación
Funcionalidad del pipeline30%
Robustez del system prompt25%
Evaluación y documentación25%
Structured outputs20%
Herramientas necesarias
Lo que necesitas para seguir el curso
Java 21 + Spring Boot 3.x
Entorno base de todos los ejercicios.
Spring AI
Última versión estable.
OpenAI u Ollama
API de pago o modelos locales gratuitos.
IntelliJ IDEA o VS Code
El IDE con el que ya trabajes.
Cuenta en Langfuse
Gratuita, para el módulo de evaluación.
IA para Desarrolladores
O experiencia equivalente con APIs de LLMs.
Preguntas frecuentes
Antes de apuntarte
¿Necesito saber matemáticas o estadística?
No. El curso es 100% práctico y orientado a ingeniería de software, no a ciencia de datos.
¿Puedo seguir el curso con Python en lugar de Java?
Los conceptos son universales. Los ejercicios están en Spring AI (Java), pero se pueden adaptar a LangChain (Python) sin dificultad.
¿Es necesario pagar por la API de OpenAI?
No. Los ejercicios también funcionan con Ollama (gratuito, local). En cada sesión se indica la alternativa local disponible.
¿Qué diferencia este curso de los recursos gratuitos de internet?
El foco en entornos de producción con Java/Spring AI, los ejercicios con casos reales, la evaluación sistemática de prompts y el acompañamiento en directo durante las sesiones.
Empecemos
¿Listo para que el modelo se comporte como necesitas?
Solicita información sobre próximas fechas, formato in-company o acceso para tu equipo. Te contestamos en menos de 24h con todas las opciones disponibles.