Crafting Effective Prompts

A well-crafted prompt is the key to getting useful results from any AI agent.

Vague prompts produce vague answers. Include context, format, and constraints.

Few-shot prompting gives the agent examples of what you want before asking.

Define the agent’s role: “You are a data analyst…” sets the right frame.

Refine your prompts based on the responses you get. Prompt engineering is iterative.

Experiment with different phrasings to find what works best for your use case.

The diagram below shows the iterative prompt engineering process:

100%

The sequence below illustrates how an agent processes a user prompt:

100%

A state diagram showing the stages of prompt engineering mastery:

100%

The table below compares different prompt engineering techniques:

Técnica	Descripción	Mejor para	Ejemplo
Zero-Shot	Pedir al modelo una tarea sin ejemplos previos	Preguntas simples, clasificaciones rápidas	"Clasifica este email como spam o no spam"
Few-Shot	Proporcionar 2-5 ejemplos antes de la pregunta	Tareas con formato específico, extracción estructurada	"Traduce: hola → hello, adiós → goodbye, gracias → thank you"
Chain-of-Thought	Instruir al modelo a razonar paso a paso	Problemas matemáticos, lógica, debugging	"Paso 1: extraer datos. Paso 2: aplicar fórmula..."
Role-Based	Asignar un rol o personalidad al agente	Tareas especializadas, respuestas con tono consistente	"Eres un analista senior de datos financieros"
Constrained	Limitar el formato, longitud o estilo de salida	Outputs predecibles, APIs, integraciones	"Responde solo JSON con campos {{title, summary, score}}"

Avoid these frequent prompt engineering pitfalls:

Error común	Problema	Solución	Ejemplo corregido
Prompt demasiado vago	El agente no tiene contexto suficiente	Incluir formato, tono, audiencia y propósito	"Resume este texto para ejecutivos en 3 párrafos"
Instrucciones contradictorias	El agente mezcla prioridades opuestas	Separar instrucciones en orden lógico, una por línea	"1. Traduce al español. 2. Mantén el tono formal."
Falta delimitación	El agente confunde instrucciones con datos	Usar ```, """ o etiquetas <instruccion>/<datos>	"Datos: {{...}}. Ahora responde: ¿cuál es el total?"
Sobrecarga de contexto	El agente pierde detalles en prompts muy largos	Priorizar información clave al inicio del prompt	Colocar la instrucción principal en las primeras 2 líneas
Sin validación explícita	El agente alucina o inventa datos	Pedir verificaciones, fuentes o confianza estimada	"Si no estás seguro, responde 'No tengo datos suficientes'"

Use this framework to measure prompt quality:

Criterio	Pregunta guía	Peso	Métrica
Precisión	¿La respuesta es factualmente correcta?	30%	Comparación con ground truth
Relevancia	¿Responde directamente a la pregunta?	25%	Análisis semántico (cosine similarity)
Completitud	¿Cubre todos los aspectos solicitados?	20%	Checklist de requisitos vs output
Consistencia	¿Es coherente internamente?	15%	Detección de contradicciones
Formato	¿Cumple el formato solicitado?	10%	Validación regex / schema

Bar chart comparing accuracy, speed, and relevance across techniques:

Donut chart showing the distribution of technique usage:

Line chart tracking prompt quality improvement over successive iterations: