Ingeniería de Prompts para Desarrolladores: Ejemplos de Código Real

Domina la ingeniería de prompts para desarrolladores con ejemplos de código prácticos, patrones probados y prompts reutilizables que aumentan la productividad en ChatGPT, Claude y Gemini

Copy&Prompt TEAM

Copy&Prompt TEAM

— 8 min read
Share
Ingeniería de Prompts para Desarrolladores: Ejemplos de Código Real

Domina la ingeniería de prompts para desarrolladores con ejemplos de código prácticos, patrones probados y prompts reutilizables que aumentan la productividad en ChatGPT, Claude y Gemini.

Respuesta rápida: La ingeniería de prompts para desarrolladores es la práctica de diseñar instrucciones precisas y estructuradas que guían a los grandes modelos lingüísticos (LLMs) para generar código preciso, depurar errores y automatizar tareas. Un prompt bien diseñado especifica el rol, el contexto, la tarea, las restricciones y el formato de salida esperado, y escala a través de proyectos mediante versiones, reutilización e integración con pipelines de CI/CD.

Fundamentos que Todo Desarrollador Debe Conocer

La ingeniería de prompts no es un truco mágico. Es una habilidad de comunicación estructurada que permite a los desarrolladores interactuar con los grandes modelos lingüísticos de manera programática. El objetivo es una salida predecible: código que compile, pase las pruebas y se adapte a un codebase más amplio.

Los LLMs no ejecutan código. Predicen secuencias de tokens. Eso significa que la ambigüedad en tu prompt produce ambigüedad en el resultado. Una solicitud vaga como “Escribe un script en Python” produce un script genérico. Una precisa como “Escribe un script en Python usando argparse y requests que descargue un CSV e imprima la última fila” produce algo mucho más cercano a lo que necesitas.

La Anatomía de una Tarea para Desarrolladores

Todo prompt útil para desarrolladores responde cinco preguntas:

  • ¿Quién debe actuar como?
  • Contexto: ¿Cuál es el entorno y las restricciones?
  • Tarea: ¿Qué debe hacer exactamente?
  • Restricciones: ¿Reglas de estilo, rendimiento o seguridad?
  • Formato de salida: ¿Lenguaje, estructura, manejo de errores?

Esta estructura refleja una firma de función bien escrita. Reduce la ambigüedad y hace que el prompt sea reutilizable.

Componentes Principales de un Prompt para Desarrolladores

Un prompt de alta calidad para desarrolladores es modular. Puedes combinar y adaptar componentes según las tareas. A continuación, se presentan las partes canónicas, cada una explicada con un fragmento.

Especificación de Rol

Di al modelo cuál es su trabajo. Esto no es solo adorno: cambia la distribución de respuestas del modelo hacia el dominio correcto.

Rol: Ingeniero backend senior, experto en Python y PostgreSQL

Esto prepara al modelo para evitar JavaScript cuando necesitas SQL, o para considerar el pooling de conexiones cuando mencionas bases de datos.

Enmarcar el Contexto

Dale al modelo suficiente información de fondo para tomar decisiones informadas. Incluye esquemas de datos, versiones de API o restricciones de dependencias.

Contexto: Estás manteniendo una aplicación Django que usa PostgreSQL 14, Celery para trabajos en segundo plano y Redis como broker. La aplicación maneja 50K usuarios y corre en Python 3.11.

Este contexto evita que el modelo sugiera bibliotecas o patrones incompatibles con tu stack.

Definición de la Tarea

Sé explícito sobre la acción medible. La ambigüedad aquí hace que el modelo adivine.

Tarea: Refactoriza la función `send_notification_email` para reintentar envíos fallidos usando backoff exponencial, respetando la política de reintentos existente de Celery.

Observa el uso de backticks para nombres de funciones y una referencia específica a la política. Estos detalles anclan la respuesta.

Declaración de Restricciones

Las restricciones son barreras. Evitan que el modelo produzca código que no puedas usar.

Restricciones:
- No introducir nuevas dependencias.
- Mantén la función en menos de 20 líneas.
- Lanza un RetryableError personalizado en fallos permanentes.
Las restricciones también obligan al modelo a reflexionar sobre casos límite antes de generar código.
Formato de Salida
Especificar el formato de salida es crítico para la automatización. Si necesitas analizar el resultado, defínelo claramente.
Formato de salida: Función en Python solamente. Sin markdown. Sin explicaciones.
Esto es especialmente importante al llamar a un LLM desde dentro de un framework de pruebas o pipeline de CI.

Ejemplos de Código Real que Puedes Copiar
A continuación, hay prompts listos para copiar y pegar para tareas comunes de desarrolladores. Cada uno fue probado en GPT-4, Claude 3 Opus y Gemini 1.5.
Depurar una Prueba que Falla
Este prompt identifica causas raíz guiando al modelo a razonar a través de capas.
Rol: Ingeniero Python senior, experto en pytest
Contexto: La prueba `test_user_serialization_returns_expected_fields` falla con AssertionError en un proyecto Django REST Framework. El serializador devuelve un campo adicional `last_login` que la prueba no espera.
Tarea: Identifica la causa raíz y propone un arreglo.
Restricciones: No modifiques la prueba. No elimines campos del modelo. Prefiere soluciones declarativas sobre trucos de tiempo de ejecución.
Formato de salida: Explicación breve (1-2 frases) seguida de una clase serializadora corregida en Python.

Observación: Este prompt produce un arreglo señalando `to_representation` o `extra_kwargs`.

Generar una Migración SQL
Las migraciones de bases de datos son un punto de dolor común. Este prompt convierte un requisito en lenguaje natural en una migración precisa.
Rol: Ingeniero de bases de datos, experto en PostgreSQL
Contexto: La tabla `orders` tiene columnas `id`, `user_id`, `amount_cents`, `created_at`. Agrega una columna `status` con un valor por defecto de 'pendiente' y una restricción de verificación que el estado debe ser uno de: 'pendiente', 'completado' o 'cancelado'.
Tarea: Genera la migración SQL completa, incluyendo lógica de reversa.
Restricciones: Usa solo SQL estándar que funcione en PostgreSQL 14.
Formato de salida: SQL solamente. Sin markdown.

Observación: Probado y confirmado para producir SQL válido y ejecutable con migraciones hacia y desde.

Escribir un Endpoint de API REST
Este prompt produce un endpoint completo, incluyendo manejo de errores y logging.
Rol: Ingeniero backend, experto en FastAPI
Contexto: Construyendo un servicio que acepta payloads JSON con campos `email` y `message`. El payload es validado y se envía un email de forma asíncrona.
Tarea: Escribe un endpoint completo de FastAPI con validación Pydantic, manejo asíncrono y logging estructurado.
Restricciones: Usa sintaxis de Python 3.11+. Sin bibliotecas de email externas. Usa lógica de marcador para enviar.
Formato de salida: Archivo único en Python con el endpoint e importaciones necesarias.

Observación: Produce código limpio de FastAPI que pasa verificaciones de estilo y tipos.


Patrones Avanzados de Prompting
Una vez que domines los fundamentos, los patrones avanzados permiten mayor rendimiento y salidas más confiables.
Cadena de Pensamiento con Pocos Ejemplos
Para tareas complejas de razonamiento, mostrar un ejemplo resuelto prepara al modelo para replicar la lógica.
Rol: Ingeniero de seguridad, experto en OWASP
Tarea: Dado un request HTTP, clasifica el riesgo de seguridad potencial.
Ejemplos:
Entrada: POST /login con body { "user": "admin" }
Salida: Bajo riesgo. Intento de autenticación.
Entrada: GET /search?q=' OR 1=1--
Salida: Riesgo crítico. Inyección SQL.
Entrada: DELETE /users/123
Salida: [Tu turno]

Observación: Este patrón es ideal para herramientas de modelado de amenazas que clasifiquen requests automáticamente.

Validación de Salida mediante Esquema
Cuando la salida debe ser legible por máquinas, define un esquema y aplícalo en el prompt.
Rol: Ingeniero de frontend de compilador
Tarea: Analiza la función en C proporcionada y genera un árbol de sintaxis abstracta (AST).
Formato de salida: JSON que coincida con el esquema a continuación.
Esquema:
{
  "type": "Function",
  "name": "string",
  "params": [{"name": "string", "type": "string"}],
  "body": ["string"]
}

Observación: Al insertar el esquema en el prompt, reducimos la probabilidad de salidas malformadas que rompan analizadores posteriores.

Refinamiento por Pasos Múltiples
Descompón tareas complejas en una secuencia de prompts. Cada uno refina la salida anterior.
Paso 1: Borra el algoritmo central.
Paso 2: Optimiza para legibilidad y agrega comentarios.
Paso 3: Agrega manejo de errores para casos límite.
Paso 4: Escribe pruebas unitarias para cada rama.

Observación: Este patrón refleja el desarrollo guiado por pruebas. Cada paso se basa en trabajo previamente validado.


Integración de Prompts en tu Flujo de Trabajo
Los prompts no son únicos. Son activos. Trátalos como código.
Control de Versiones de tus Prompts
Guarda los prompts en el mismo repositorio que tu código. Usa etiquetas Git o ramas para versionarlos.
prompts/
  debug-test-failure.md
  generate-migration.md
  optimize-query.md

Asocia cada prompt con un caso de prueba que verifique que la salida del LLM cumple las expectativas.
Plantillas para Reutilización
Usa marcadores de posición para hacer los prompts adaptables a distintos contextos.
Rol: [ROL]
Contexto: [CONTEXTO]
Tarea: [TAREA]
Restricciones: [RESTRICCIONES]
Formato de salida: [FORMATO_DE_SALIDA]
Esta plantilla puede cargarse dinámicamente en una herramienta, rellenarse con parámetros por tarea y ejecutarse mediante una llamada API.
Integración con CI/CD
Algunos equipos ejecutan prompts en CI para validar que el comportamiento del modelo no haya cambiado. Ejemplo:
name: Sanity Check de Prompts
run: |
  output=$(curl -X POST "https://api.openai.com/v1/chat/completions" \
    -H "Authorization: Bearer $OPENAI_API_KEY" \
    -d @prompts/sanity-check.json)
  echo "$output" | jq -e '.choices[0].text | contains("PASS")'
Si la salida ya no contiene el token esperado, la compilación falla.
Monitoreo y Detección de Deriva
El comportamiento de los LLMs cambia con el tiempo. Un prompt que produjo SQL correcto en mayo puede devolver solo comentarios en julio. Registrar las salidas del modelo y compararlas con referencias detecta regresiones temprano.

Errores Comunes que los Desarrolladores Cometen

Confiar en la memoria. Copiar un prompt del historial de chat introduce deriva. Almacena los prompts explícitamente.
Saltar restricciones. Sin restricciones, el modelo sobreingenieriza. Pide salidas mínimas y específicas.
Mezclar dominios. Pedir a un prompt que maneje Python y JavaScript a la vez confunde la distribución de tokens del modelo.
Ignorar longitud de contexto. Un prompt de 10K tokens deja poca margen para salida. Recorta el contexto a lo esencial.
No validar la salida. Siempre limpia, prueba o verifica esquemáticamente la salida del LLM antes de confirmarla.


Mejores Prácticas para Ingeniería de Prompts

Escribe una tarea por prompt. Si la tarea tiene subpasos, encadena los prompts.
Define el formato de salida explícitamente. Nunca asuma que el modelo lo adivinará.
Almacena los prompts en control de versiones junto con el código que afectan.
Asocia cada prompt con una prueba que valide su salida.
Etiqueta los prompts con el modelo y fecha en los que fueron validados. El comportamiento cambia.
Usa plantillas para prompts adaptables. Reemplaza valores específicos con marcadores de posición.
Registra las salidas para detectar deriva. Configura alertas si las salidas se desvían de los patrones esperados.
Revisa y refactoriza los prompts trimestralmente. Los prompts caducados son deuda técnica.



Puntos Clave

Estructura cada prompt con rol, contexto, tarea, restricciones y formato de salida.
Prueba los prompts en múltiples modelos para asegurar generalización.
Versiona los prompts y asócialos con pruebas.
Usa plantillas para adaptar los prompts sin reescribirlos.
Monitorea las salidas con el tiempo para detectar deriva temprano.





Componente
Propósito
Ejemplo




Rol
Define el dominio de experiencia
Ingeniero backend senior


Contexto
Proporciona detalles del entorno
Django 4.2, Python 3.11


Tarea
Define la acción
Refactorizar lógica de reintentos


Restricciones
Establece límites
No nuevas dependencias


Formato de Salida
Garantiza un resultado analizable
Python solamente, sin markdown






Preguntas Frecuentes

¿Cuál es la parte más importante de un prompt para desarrolladores?
El formato de salida es crítico. Si el resultado debe ser analizado por otra herramienta, especificar el formato exacto (lenguaje, estructura, delimitadores) previene fallos posteriores. Sin él, incluso un fragmento de código correcto puede ser inutilizable.


¿Debo incluir todo el codebase en el prompt?
No. Incluye solo los componentes relevantes: la función que estás refactorizando, el esquema del que depende y la prueba que la valida. Incluir todo malgasta contexto y diluye el enfoque del modelo.


¿Cómo manejo la deriva del modelo?
Versiona tus prompts, registra las salidas y establece verificaciones automáticas. Cuando una actualización del modelo cambie el comportamiento, las pruebas detectarán regresiones antes de que afecten a producción.



Conclusión
La ingeniería de prompts es un multiplicador de fuerza para los desarrolladores. Al estructurar los prompts en torno a cinco componentes clave, probarlos rigurosamente y almacenarlos como artefactos de primera, los equipos pueden escalar su uso de LLMs sin sacrificar fiabilidad. La clave es tratar los prompts como código: versionados, probados y monitoreados para deriva.


Mejora tus resultados de IA hoy — Crea mejores prompts y obtén respuestas más precisas con Copy&Prompt.


Fuentes

Guía de Ingeniería de Prompts de OpenAI
Documentación de Ingeniería de Prompts de Anthropic
Copy&Prompt — Biblioteca y Herramienta de Optimización de Prompts

Read more