Técnicas de prompt engineering

1. El problema de negocio

El servicio de atención al cliente de una empresa de logística usa un modelo generativo para redactar las respuestas a reclamaciones por entregas retrasadas. Cada operador escribe su propia instrucción, sin ejemplos, y las respuestas salen con estructuras y tonos distintos. La dirección exige un formato homogéneo en pocas semanas, antes del cierre del trimestre, y la empresa no cuenta con especialistas en machine learning.

2. Solución de Google: Técnicas de prompt engineering

Servicio

Técnicas de prompt engineering

Capa

Modelos

Por qué

Pasar de zero-shot a few-shot con respuestas modelo fija la estructura, y el role prompting fija el tono; con metaprompting el propio modelo ayuda a redactar ese prompt. Un flujo de trabajo evita que cada operador improvise: plantilla reutilizable, información guardada en Gemini, un Gem o seguir la conversación en el mismo chat. Se aplica en días, sin entrenar.

3. Límites

No la uses si

Tras iterar el prompt con ejemplos y roles, la salida sigue sin respetar de forma estable el tono o el formato exigido y cada nueva ronda de ajustes retrasa la entrega.

Variable que fuerza el cambio

Plazo de entrega

Alternativa

Fine-tuning del modelo para fijar el comportamiento, el tono o el formato de salida.

4. La trampa habitual

[✗] Distractor

Hacer fine-tuning con un puñado de respuestas modelo, entendiendo que few-shot significa ajustar el modelo con pocos ejemplos.

Por qué tienta

El nombre few-shot evoca un entrenamiento con pocos ejemplos, y el fine-tuning también parte de ejemplos del resultado deseado.

Por qué es incorrecto

En one-shot y few-shot los ejemplos viajan dentro del prompt y el modelo no cambia. Confundirlo con fine-tuning convierte un ajuste de días en un proyecto de adaptación que el plazo y la falta de especialistas en ML no permiten.

5. Micro-check