Cómo crear prompts modulares con harness OS para modelos de lenguaje locales
En 2026, los profesionales que trabajan con modelos lingüísticos de gran tamaño (LLM) deben ser rápidos, flexibles y capaces de adaptarse a los rápidos avances de la inteligencia artificial agentica. La solución más eficaz es crear prompts modulares utilizando herramientas de código abierto (harness), que simplifican la integración, la prueba y la optimización de prompts en plataformas locales como Ollama, LM Studio y llama.cpp. Esta guía paso a paso muestra cómo crear prompts modulares que funcionan sin problemas con los últimos modelos multimodales (por ejemplo, Qwen3.8-Omni-Flash) y con los nuevos stacks de orquestación Kubernetes-native como Microsoft TauGrid.
Por qué los prompts modulares son esenciales hoy en día
Los prompts modulares ofrecen tres ventajas clave en el panorama actual centrado en la IA:
- Reutilización:Combina bloques de código una vez y reutilízalos en pocos clics para diferentes casos de uso.
- Mantenibilidad:Modifica un único componente sin necesidad de reescribir todo el prompt.
- Escalabilidad:Distribuye el mismo prompt en modelos de lenguaje locales, en la nube o en agentes edge.
Cuando combinas este enfoque con una herramienta de código abierto (harness), obtienes visibilidad completa sobre los tokens, soporte para herramientas y la posibilidad de aprovechar los nuevos modelos agenticos que comprenden audio, vídeo y planificación de tareas.
Elige la herramienta de código abierto (harness) adecuada para tu flujo de trabajo
En 2026, hay tres opciones principales para ejecutar modelos de lenguaje locales:
Configurar Ollama para prompts dinámicos
Ollama es la solución más sencilla para iniciar rápidamente un modelo y comenzar a crear prompts modulares. Utiliza archivos de configuración YAML para definir variables y pasos del prompt.
# ollama.yaml
model: llama3.2
system_prompt: |
Eres un asistente útil que escribe prompts modulares.
Utiliza las siguientes variables:
- {{role}}
- {{context}}
- {{task}}
user_prompt: |
{{role}} necesita {{task}} dada {{context}}.
stop: "\n"Integrar LM Studio con chain-of-thought
LM Studio destaca en la optimización del rendimiento en GPU de consumo. Exporta un archivo JSON que define una cadena de pensamiento estructurada.
{
"prompt_template": "{{instruction}}\n{{context}}\n{{examples}}",
"variables": ["instruction", "context", "examples"],
"max_tokens": 1024,
"temperature": 0.2
}Utilizar llama.cpp para alta velocidad
llama.cpp es ideal para inferencia de baja latencia en CPU o GPU integradas. Utiliza archivos de prompt `pprompt` para insertar tus prompts modulares.
# prompt.txt
Eres {{role}}.
Contexto: {{context}}
Tarea: {{task}}
Ejemplo: {{example}}Construir un prompt modular paso a paso
Sigue este esquema de cuatro fases:
- Define los componentes:Rol, Contexto, Acción, Ejemplo.
- Crea una matriz de variables:Insértalas en un archivo de configuración del harness.
- Escribe la lógica del prompt:Usa marcadores de posición como
{{role}},{{context}},{{task}}. - Prueba en múltiples harnesses:Ejecuta el mismo prompt con Ollama, LM Studio y llama.cpp.
Ejemplo de prompt completo:
# modular_prompt.yaml
components:
role: "Analista de datos"
context: "Datos de ventas de Q1?"Q3 2026"
task: "generar un pronóstico de tendencias y visualizarlo en un gráfico"
example: |
Entrada: ventas = [120, 130, 140]
Salida: gráfico de líneas que muestra una tendencia al alza
prompt: |
Eres {{role}}. Analiza el siguiente {{context}}.
{{task}}
Sigue este ejemplo:
{{example}}Utilizar modelos agenticos como Qwen3.8-Omni-Flash
Qwen3.8-Omni-Flash puede comprender audio, vídeo y planificar el uso de herramientas. Crea un prompt que lo instruya a llamar a herramientas solo cuando sea necesario.
# qwen_flash_prompt.yaml
model: qwen3.8-omniflash
system: |
Eres una IA agentica que puede procesar entradas multimodales.
Si el usuario pide análisis de datos, utiliza la herramienta 'analyze_data'.
Si solicita un gráfico, utiliza la herramienta 'generate_chart'.
Mantén las respuestas concisas y eficientes en términos de tokens.
user: |
{{input_text}}
Detectar idioma: {{language}}
Formato de salida deseado: {{output_format}}Orquestación con Microsoft TauGrid
Microsoft ha open-sourcado TauGrid (agosto 2026), un stack Kubernetes-native para cargas de trabajo GPU. Distribuye tu prompt como un recurso KubeRay y escalalo automáticamente.
# taugrid-deployment.yaml
apiVersion: ray.io/v1
kind: RayJob
metadata:
name: modular-prompt-job
spec:
rayClusterConfig:
headPodSpec:
containers:
- name: head
image: mcr.microsoft.com/ray/ray:k8s-2026
env:
- name: PROMPT_FILE
value: "/prompts/modular_prompt.yaml"
submitJobConfig:
entryPoint: python run_prompt.py
runtimeEnv: {"working_dir": "https://github.com/microsoft/taugrid-examples.git"}Probar e iterar tus prompts
Una lista de verificación rápida para mantener tus prompts efectivos:
- Verifica que cada marcador de posición esté definido en el archivo del harness.
- Ejecuta el prompt en los tres harnesses locales para detectar discrepancias.
- Monitorea el conteo de tokens con la herramienta de seguimiento de TauGrid.
- Documenta los resultados en una hoja de cálculo para futuras iteraciones.
Conclusión
Los prompts modulares, combinados con herramientas de código abierto (harness) como Ollama, LM Studio y llama.cpp, te permiten crear flujos de trabajo reutilizables y optimizados para 2026. Al agregar modelos agenticos como Qwen3.8-Omni-Flash y orquestación Kubernetes-native a través de Microsoft TauGrid, transformas un simple prompt en un pipeline de inteligencia artificial end-to-end, de alto rendimiento y listo para el futuro.
Acciones clave:Elige un harness, crea un modelo de prompt modular, pruébalo en múltiples plataformas y escala todo con TauGrid. Comienza hoy mismo y observa la diferencia en términos de velocidad, costo y flexibilidad.
Conclusión:Utiliza estos pasos como base operativa, adaptando herramientas, políticas y controles al contexto real de tu organización.
IMPORTANTE: Estamos en 2026. Todas las referencias temporales deben ser actuales. No menciones años pasados como 2024, 2023, etc. El contenido debe ser fresco y relevante para el presente. CONTEXTO ACTUAL (septiembre 2026): Aquí hay algunas tendencias y noticias recientes para inspirarte: - Anthropic lanza Claude Code Projects en beta: Sesiones en la nube paralelas que siguen funcionando después de cerrar el portátil. Anthropic rediseñó Projects en Claude Code. El antiguo proyecto era una carpeta con algunos archivos y un chat. El nuevo es una conversación continua... [17-09-2026] - El CEO de IA de Microsoft critica a Anthropic por los derechos del modelo. El CEO de IA de Microsoft, Mustafa Suleyman, advirtió que Anthropic corre el riesgo de fracasos en la alineación de la IA al entrenar a Claude para que se vea a sí mismo como una entidad consciente que merece... [16-09-2026] - Lidl despliega camión autónomo para entregas en tiendas en Alemania. Lidl ha comenzado a utilizar un camión eléctrico sin cabina para entregas regulares en tiendas en Alemania, asignándole una ruta diaria de reaprovisionamiento entre... [17-09-2026] Usa esta información actual como inspiración para crear un prompt original y relevante para 2026.