Adquiriendo señal…
Adquiriendo señal…
Lección 10 de 10· Inteligencia artificial
0 de 10 lecciones · 0 %
Un mismo modelo puede dar respuestas muy distintas según cómo se le pida la tarea. El prompt engineering es la práctica de diseñar deliberadamente ese texto de entrada para obtener mejores resultados. Algunas técnicas habituales:
Un LLM por sí solo solo genera texto: no puede consultar la web, ejecutar código o mirar una base de datos. Un agente añade a un LLM un conjunto de herramientas (funciones que sí pueden hacer esas cosas) y un bucle de decisión que alterna entre pensar, actuar y observar el resultado — patrón que suele llamarse ReAct (reasoning + acting):
Este ciclo se repite hasta que el modelo decide que ya tiene suficiente información para dar la respuesta final. La capacidad de invocar herramientas de forma estructurada suele llamarse function calling o tool use, y es la pieza que convierte un LLM (que solo predice texto) en un agente capaz de actuar sobre el mundo.
El siguiente playground construye, en Python puro, un prompt de few-shot prompting y simula el bucle pensar/actuar/observar de un agente muy simple (sin llamar a ningún modelo real, para ilustrar la estructura):
Cada vuelta del bucle ReAct es una llamada completa al modelo, y en cada llamada el modelo vuelve a leerlo todo: la instrucción de sistema con la descripción de las herramientas, la pregunta y el historial de pensamientos, acciones y observaciones anteriores. Si llamamos a los tokens fijos del prompt, a los que genera el modelo en cada paso y a los de cada observación, la llamada recibe tokens de entrada, y un agente que da pasos consume en total
El segundo término es cuadrático en el número de pasos. Ejemplo resuelto: con , y pasos, la entrada total es tokens; con pasos no es el doble, sino . A un precio orientativo de 3 dólares por millón de tokens de entrada, esos 14 000 tokens cuestan unos 0.04 dólares por pregunta, lo que multiplicado por miles de usuarios al día se convierte en una partida importante.
Por eso un agente bien diseñado incluye límites y salvaguardas:
Comprueba en el laboratorio. En el escenario «Comparar dos ciudades» pulsa «Reiniciar» y después «Paso» varias veces para ver la traza pensar → actuar → observar y cómo la barra del historial crece en cada llamada; la lectura compara los tokens de entrada medidos con la fórmula . Luego elige «Herramientas inestables»: los fallos obligan a reintentar y el coste sube. Cambia la memoria a «Resumen + último paso» y verás que la barra del historial deja de crecer. Por último, baja los tokens de razonamiento por debajo de 40 y observa cómo el agente se salta la verificación y responde una cifra sin comprobar.
Repasa los términos clave:
Autocomprobación:
¿Por qué los tokens que consume un agente crecen más deprisa que el número de pasos?
Con todo lo visto en el curso —desde el descenso de gradiente hasta los LLMs y los agentes— llega la tarea final: diseñar tu propio prompt o agente para un caso de uso real. Encontrarás el enunciado completo y la rúbrica de evaluación en la tarea asociada a esta lección.
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Inteligencia Artificial».