Glosario de prompt engineering
Definiciones cortas + ejemplo copy-paste por término. Elegí uno y abrilo.
Start here
Este glosario explica conceptos que suelen romper prompts: ambigüedad, falta de delimitación, outputs inconsistentes o inventados. Cada término incluye definición corta y un ejemplo listo para copiar.
Si necesitás outputs estrictos, empezá por JSON estricto. Si querés adaptar prompts a cada IA, mirá prompts por modelo.
System prompt
La capa de instrucciones que el modelo trata con mayor prioridad: su rol, sus reglas y sus límites durante toda la conversación.
Ver término →
Few-shot prompting
Incluir de uno a cinco ejemplos resueltos en el prompt para que el modelo copie su formato, tono y nivel de detalle.
Ver término →
Delimitadores
Marcadores como triple comillas, encabezados o tags tipo XML que separan tus instrucciones del texto sobre el que el modelo debe trabajar.
Ver término →
Restricciones
Límites explícitos y comprobables sobre la respuesta — largo, tono, alcance, fuentes permitidas, claims prohibidos, stack — que la mantienen útil.
Ver término →
Temperatura
Un parámetro de muestreo que controla qué tan aleatorias son las elecciones de palabras del modelo: valores bajos, más estable; altos, más variado.
Ver término →
Alucinaciones
Salida fluida y segura de sí misma que es falsa o no tiene respaldo — datos, cifras, citas o fuentes inventadas — presentada como si fuera cierta.
Ver término →
Prompt injection
Un ataque en el que instrucciones escondidas en el contenido que el modelo lee — una web, un email, un documento — intentan pisar las tuyas.
Ver término →
JSON schema
Una descripción formal de la forma de un documento JSON — claves, tipos, campos requeridos, valores permitidos — usada para acotar y validar la salida del modelo.
Ver término →
Role prompting
Asignarle al modelo un rol — editor, tutor, auditor — junto con los criterios que ese rol debe aplicar, para fijar tono y expectativas.
Ver término →
Evaluación
Probar un prompt con un conjunto fijo de inputs y puntuar las salidas contra criterios de aceptación, para medir las mejoras en vez de adivinarlas.
Ver término →
Zero-shot prompting
Pedirle al modelo que haga una tarea solo con la instrucción, sin ejemplos, apoyándose en lo que ya aprendió en el entrenamiento.
Ver término →
Ventana de contexto
La cantidad máxima de texto, contada en tokens, que un modelo puede recibir y producir en una sola solicitud.
Ver término →
Chain-of-thought (cadena de pensamiento)
Pedirle al modelo que recorra pasos intermedios de razonamiento antes de dar la respuesta final, lo que ayuda en problemas de varios pasos.
Ver término →
Prompt chaining (encadenado de prompts)
Dividir una tarea compleja en una secuencia de prompts más chicos, donde la salida de cada paso es la entrada del siguiente.
Ver término →
Salida estructurada
Lograr que el modelo responda en un formato fijo y legible por máquinas — JSON, una tabla, campos rotulados — en vez de prosa libre.
Ver término →
Tokens
Los fragmentos de texto — palabras enteras, partes de palabras o signos — que un modelo lee y escribe; los límites de contexto y los precios se cuentan en ellos.
Ver término →
Top-p (nucleus sampling)
Un parámetro de muestreo que limita la elección de la siguiente palabra al conjunto más chico de tokens cuyas probabilidades suman p.
Ver término →
Retrieval-augmented generation (RAG)
Un patrón donde se recuperan pasajes relevantes de una fuente de conocimiento y se ponen en el prompt para que el modelo responda a partir de ellos.
Ver término →
Prompting negativo
Decirle al modelo qué evitar — un tono, una afirmación, un formato, un tema — además de qué hacer, para descartar de forma explícita lo que no querés.
Ver término →
Context engineering (ingeniería de contexto)
Decidir qué información entra en el contexto del modelo — instrucciones, documentos, ejemplos, historial, resultados de herramientas — y en qué orden y forma.
Ver término →