
[100% Off] Ingeniería De Prompts Para Modelos Claude: Guía Práctica
Tus prompts se rompen cada vez que sale un modelo nuevo. Este curso explica por qué — y qué borrados los arreglan.
What you’ll learn
- Diagnosticar por qué rinde mal un prompt — y distinguir un problema de prompting de uno de recuperación, herramientas o modelo antes de editar nada
- Construir un conjunto de evaluación que convierte los cambios de prompt de suposiciones en mediciones, en un día de trabajo
- Estructurar prompts con límites para que el texto de documentos no confiables nunca se lea como tus instrucciones
- Controlar a propósito la longitud, el formato, el tono y el tamaño de los documentos — y dejar de usar el esfuerzo para lo que no puede hacer
- Escribir descripciones de herramientas que hagan llamar a la herramienta correcta, y dejar de pagar por la equivocada
- Corregir agentes que se pasan de alcance, ejecuciones nocturnas paradas, trampas en los tests y afirmaciones seguras sobre código sin leer
- Hacer un barrido de esfuerzo y enrutar por tipo de tarea en lugar de heredar durante años un único ajuste global
- Migrar un sistema de prompts a un modelo nuevo con una lista de ocho auditorías en lugar de tres semanas de arqueología
- Mantener el historial de conversación como de solo añadir para no romper en silencio la caché y los bloques de razonamiento
- Reconocer cuáles de tus instrucciones compensan un modelo que ya no existe — y borrarlas con evidencia
Requirements
- Ya llamas a una API de LLM, en cualquier lenguaje — este curso trata de los prompts, no del SDK
- Lees JSON con soltura y trabajas con una terminal
- No necesitas formación en machine learning ni teoría previa de ingeniería de prompts
- Acceso a cualquier modelo frontera actual para los laboratorios (las técnicas no dependen del proveedor, aunque los ejemplos se refieren a modelos Claude)
Description
Este curso utiliza inteligencia artificial.
Casi todos los cursos de prompting te enseñan a añadir cosas. Este te enseñará, sobre todo, a quitarlas.
El oficio se ha invertido. La disciplina de antes era la compensación: los modelos se quedaban cortos, así que empujabas. Escribías instrucciones en mayúsculas para que se activara una herramienta. Decías revisa siempre tu trabajo dos veces, porque si no, no lo hacía. Forzabas un formato JSON empezando tú la respuesta. Todo eso existía para arrastrar a un modelo reacio hasta un nivel.
Los modelos actuales llegan a ese nivel por sí solos. Revisan su trabajo, recurren a herramientas, exploran. Así que esas mismas instrucciones ahora se apilan sobre un comportamiento que ya existe — y obtienes un agente que verifica tres veces, lanza subagentes para una tarea que podría haber terminado solo y escribe nueve párrafos cuando querías dos. En este curso, muchos de los mayores efectos medidos vienen de borrar una línea, no de añadirla.
Vas a trabajar en una sola empresa durante todo el curso
Los consejos abstractos de prompting casi no sirven, así que aquí no hay ejemplos de juguete. Te incorporas a Vantel, una empresa B2B de facturación con 400 personas, el primer día, y te quedas allí durante las 34 clases. Vantel tiene tres superficies de IA que, entre las tres, cubren prácticamente todo lo que el prompting tiene que resolver: Ledger Assist (chat dentro del producto), Invoice Intake (un pipeline de extracción de documentos) y Cobalt (un agente de programación interno que trabaja horas sin supervisión). Vas a conocer a sus ingenieros, leer sus prompts y seguir sus mediciones.
Cada afirmación de este curso lleva una cifra
- Una instrucción enfática de herramienta, escrita hace dos generaciones de modelos, borrada: 38 % menos llamadas a herramientas, sin cambios en el éxito de las tareas.
- Una cláusula de motivo añadida a una regla sobre datos bancarios: un control antifraude pasó de resistir 12 de 41 pruebas a 39 de 41 — y se volvió menos propenso a rechazar de más.
- Once prohibiciones de formato sustituidas por una frase que describe el objetivo.
- Un arreglo de seis líneas que volvió como 430 líneas en 11 archivos, y las cinco cláusulas concretas que redujeron el tamaño de los diffs un 70 %.
- Un agente nocturno que pidió permiso a las 19:11 y esperó 13 horas una respuesta.
Qué lo diferencia de una entrada de blog
Los consejos de prompting envejecen mal, y casi todos se publican sin medir nada. Este curso está construido al revés: construyes un conjunto de evaluación en la sección 1, y cada técnica posterior es algo que puedes demostrar o refutar en tu propio sistema. La sección 6 enseña luego lo que sobrevive a la próxima versión — cómo leer una guía de comportamiento de un modelo, cómo hacer un barrido de esfuerzo y la lista de verificación de migración de ocho auditorías que llevó a un equipo de tres semanas a dos días.
Cinematográfico, no diapositivas
Ninguna clase de viñetas. Cada clase es una escena en movimiento — diagramas de arquitectura animados, demos en vivo de prompt frente a respuesta, recorridos por terminal de ejecuciones reales de evals y comparaciones de antes y después con las métricas moviéndose en pantalla.
Para quién es
Ingenieros, ingenieros de ML y product managers técnicos que ya llaman a una API de LLM y están cansados de que su archivo de prompts crezca hasta cuatrocientas líneas que nadie se atreve a tocar. No hace falta formación en ML.
Este es un curso independiente y no oficial. No está afiliado a Anthropic, ni cuenta con su respaldo o su patrocinio. Claude es una marca de Anthropic, PBC. Consulta siempre la documentación oficial para conocer el comportamiento actual de los modelos.
Author(s): Dr. Amar Massoud (Español)








