Por qué el prompt engineering es diferente hoy en día
En 2026, los modelos lingüísticos han alcanzado una capacidad multimodal sin precedentes, con ventanas de contexto más amplias y una infraestructura de inferencia optimizada para el hardware. Para aprovechar al máximo Gemini Omni 1.2 Flash, Zyphra ZYFA y Kinference, es necesario un prompt engineering avanzado que vaya más allá de los antiguos trucos basados en unos pocos ejemplos.Cómo crear prompts de alto rendimiento en la actualidad
1. Adopta un enfoque multimodal y basado en roles
La mayoría de las tareas actuales combinan texto, imágenes y vídeo. Incluye explícitamente el rol y el formato en el prompt para guiar al modelo hacia el resultado deseado.Ejemplo: Creación de un vídeo de 15 segundos con Gemini Omni 1.2 Flash
Eres un asistente de edición de vídeo. Dada una secuencia y unas imágenes de referencia, genera un clip de vídeo de 15 segundos con las siguientes especificaciones:
- Duración: exactamente 15 segundos
- Estilo: cinematográfico, con gradación de color consistente
- Salida: JSON con marcas de tiempo, escenas y URL de activos
Secuencia: "[Insertar secuencia aquí]"
Imágenes de referencia: [Insertar URL aquí]2. Utiliza la optimización contextual para las nuevas GPU
Zyphra ZYFA introduce kernels FP8 FlashAttention para las tarjetas AMD MI355X. Para lograr un rendimiento hasta 1,76 veces superior, los prompts deben maximizar el uso de la caché KV y minimizar los tokens redundantes.Ejemplo: Prompt optimizado para ZYFA
[Sistema]
Eres un rellenador eficiente. Resume la solicitud del usuario en 3-5 tokens.
[Usuario]
"Genera un resumen conciso del siguiente documento."
[Documento]
[Insertar texto del documento aquí]3. Aprovecha las ventajas de Kinference para la inferencia en Kubernetes
Kinference añade el enrutamiento declarativo y la gestión de la caché KV consciente del hardware. Diseña tus prompts para que sean modulares, permitiendo que los servicios de inferencia reutilicen los bloques de contexto.Ejemplo: Prompt de bloques reutilizables
[Tarea] = "Extraer entidades"
[Formato] = "JSON"
[Contexto] = "[Datos previamente extraídos]"
[Instrucción] = "Devuelve solo las entidades y sus tipos."Ejemplos prácticos y flujos de trabajo reales
Flujo de trabajo A: Creación de contenido multimedia para Gemini Omni
- Paso 1:Escribe una breve secuencia con marcadores para indicar la posición de las escenas.
- Paso 2:Pega los prompts con marcadores de posición para las imágenes de referencia.
- Paso 3:Utiliza el bloque
[VideoSpec]para restringir la duración, el estilo y el formato de salida.
Flujo de trabajo B: Optimización del rendimiento con ZYFA
- Paso 1:Reduce el prompt a una única declaración de intención.
- Paso 2:Añade
[CacheHint]para indicar al kernel que omita los tokens ya presentes en la caché. - Paso 3:Ejecuta el prompt varias veces para medir la velocidad de generación y ajusta según sea necesario.
Conclusiones prácticas
- Siempre incluye el rol y el formato como parte del prompt (por ejemplo,
[Rol] [Formato]). - Usa indicadores explícitos de caché cuando sea posible (por ejemplo,
[CacheHint: reuse]). - Modifica los prompts para que sean modulares, permitiendo que los servicios de inferencia reutilicen los bloques de contexto.
- Prueba los prompts en hardware específico (ZYFA, GPU MI355X) antes de implementarlos en producción.
- Monitorea las métricas de latencia a nivel de prompt y ajusta los límites de longitud de los tokens para obtener el mejor equilibrio entre rendimiento y latencia.