Técnicas de prompting para agentes de IA

Todos los patrones agénticos que hemos visto en el libro Agent Design Patterns, como la planificación, el uso de herramientas, la memoria o la colaboración entre agentes, dependen de que el agente sepa comunicarse con el modelo de lenguaje.

Un buen diseño de agente con malos prompts da malos resultados.

En este capítulo del libro recorremos el catálogo de técnicas de prompting con la vista puesta en los sistemas agénticos, desde las bases hasta la optimización automática de prompts.

Empezamos por la estructura de un prompt: zero-shot, one-shot y few-shot, system prompt, role prompting, delimitadores y la ingeniería de contexto como forma de construir dinámicamente la información que necesita el agente en cada momento.

Después pasamos a la salida estructurada, con un ejemplo de código que usa model_validate_json de Pydantic para parsear y validar en un solo paso el JSON que genera el LLM, incluida la conversión de tipos y la gestión de errores.

Seguimos con las técnicas de razonamiento desde el punto de vista del prompt, cada una con sus ventajas y su coste:

• Chain of Thought en sus versiones zero-shot y few-shot
• Self-Consistency, que lanza el mismo prompt varias veces con temperatura alta y elige la respuesta por mayoría
• Step-Back Prompting, que activa conocimiento de fondo antes de abordar la tarea concreta
• Tree of Thoughts, para explorar varias vías de razonamiento y recuperarse de errores iniciales

La última parte cubre las técnicas avanzadas como Automatic Prompt Engineering (APE), la optimización programática con DSPy, el refinamiento iterativo, el uso de analogías, el meta-prompting...

Si prefieres empezar por los fundamentos explicados en vídeo, con demos de prompt injection, metaprompting e ingeniería de contexto, tienes la sesión de ingeniería de prompts de la Comunidad.

¡Vamos a escribir mejores prompts! ✍️

Técnicas de prompting para agentes de IA: de few-shot a la optimización automática