Prompt Engineering for LLMs

Tratado de ingeniería de software escrito por John Berryman y Albert Ziegler (ingenieros que participaron activamente en la construcción de GitHub Copilot), centrado en la metodología, arquitectura y ciencia detrás de las aplicaciones impulsadas por modelos de lenguaje grande. Está dirigido a desarrolladores e ingenieros de software de nivel intermedio con buen dominio de programación que necesitan diseñar sistemas robustos y predecibles basados en LLMs, adoptando patrones rigurosos de desarrollo en lugar de heurísticas superficiales.

El contenido profundiza en el funcionamiento interno de los LLMs (mecanismos de atención, tokenización probabilística y límites de la ventana de contexto) para estructurar el contenido de las instrucciones mediante few-shot learning, chain-of-thought y técnicas de control para garantizar salidas estructuradas en formatos como JSON. Detalla la construcción de agentes conversacionales mediante definición rigurosa de herramientas (tool calling) y el patrón ReAct, la descomposición de tareas en flujos de trabajo multi-paso (workflows de agentes) y la creación de marcos sistemáticos de evaluación continua tanto fuera de línea (suites de prueba con casos representativos) como en línea (pruebas A/B y telemetría en producción).

El texto ejemplifica estas técnicas mediante la construcción de workflows de agentes para la automatización de marketing en complementos de comercio electrónico (como extensiones para Shopify) y bancos de pruebas automatizados para medir la degradación o mejora de calidad en las respuestas del sistema. Su aportación sobresaliente es la mentalidad de ingeniería de producción que imprimen autores formados en GitHub, destacando la necesidad ineludible de testing y observabilidad antes de considerar una aplicación lista; como contraparte, prescinde totalmente de la generación de imágenes y del audio, manteniendo un enfoque estricto en texto, código y lógica agéntica.